•  Część 1 - Podstawy sztucznej inteligencji
•  Część 2 - Dane
•  Część 3 - Uczenie maszynowe
•  Część 4 - Głębokie uczenie
•  Część 5 - Robotic Process Automation
•  Część 6 - Przetwarzanie języka naturalnego (NLP): Ta forma sztucznej inteligencji, która obejmuje rozumienie rozmów, jest najbardziej wszechobecna w przypadku Siri, Cortany i Alexy. Ale systemy NLP, takie jak chatboty, również stały się krytyczne w świecie korporacji. Ten rozdział pokaże, jak efektywnie wykorzystać tę technologię i jak uniknąć trudnych problemów.
•  Część 7 - Roboty fizyczne: Sztuczna inteligencja zaczyna mieć duży wpływ na tę branżę. Dzięki głębokiemu uczeniu robotom łatwiej jest zrozumieć swoje środowisko. W tym rozdziale przyjrzymy się zarówno robotom konsumenckim, jak i przemysłowym, na przykład z niezliczoną liczbą przypadków użycia.
•  Część 8 - Wdrażanie sztucznej inteligencji: Przyjmiemy krok po kroku podejście do tworzenia projektu sztucznej inteligencji, od początkowej koncepcji do wdrożenia. W tym rozdziale omówimy również różne narzędzia, takie jak Python, TensorFlow i PyTorch.
•  Część 9 - Przyszłość sztucznej inteligencji: W tym rozdziale omówione zostaną niektóre z największych trendów w sztucznej inteligencji, takie jak jazda autonomiczna, uzbrojenie sztucznej inteligencji, bezrobocie technologiczne, odkrywanie leków i regulacje prawne.


Zrozumienie, jak sztuczna inteligencja tłumaczy język

Teraz, jak widzieliśmy, NLP było wczesnym celem badaczy AI. Ale z powodu ograniczonej mocy komputera możliwości były dość słabe. Celem było stworzenie reguł interpretacji słów i zdań - które okazały się skomplikowane i mało skalowalne. W pewnym sensie NLP we wczesnych latach był głównie językiem komputerowym! Ale z biegiem czasu wyewoluowała dla niego ogólna struktura. Było to krytyczne, ponieważ NLP zajmuje się danymi nieustrukturyzowanymi, które mogą być nieprzewidywalne i trudne do interpretacji. Oto ogólne ogólne spojrzenie na dwa kluczowe kroki:

•  Czyszczenie i wstępne przetwarzanie tekstu: Obejmuje to użycie technik, takich jak tokenizacja, stemming i lematyzacja, aby przeanalizować tekst.
• o Rozumienie i generowanie języka: Jest to zdecydowanie najbardziej intensywna część procesu, w której często wykorzystuje się algorytmy głębokiego uczenia się.

W kilku następnych sekcjach przyjrzymy się bardziej szczegółowo różnym krokom.