Mail:





Słowniczek Sztucznej Inteligencji





A.I. … i wszystko jasne




Wprowadzenie do Języka R




Język R … od słów do czynów !!!



 + Kody Źródłowe




A.I.: Jaka jest nasza Przyszłość?

[101 Prostych Pytań]




VIDEO



  Hipoteza Riemanna

 Pogadać z Maszyną 1

 Pogadać z Maszyną 2

 Pogadać z Maszyną 3

 Pogadać z Maszyną 4

 Wywiad z maszyną !

 Co słyszy Sztuczna Inteligencja?

 Komputer Kwantowy

 Świadomość Maszyn

 Sztuczna Inteligencja - Szansa czy Zagrożenie?

 This is AI 1

 This is AI 2 : How machines learn

 This is AI 3 : Learnig for life

 This is AI 4: A synthetic sixth sense




Bogowie Sztucznej Inteligencji






SŁOWNIK TERMINÓW ROBOTYCZNYCH




Anatomia Robota

  • Systemy Sterowania
  • Sprzęt Komputerowy
  • Niezawodność, Bezpieczeństwo i Zgodność
  • Kroki Projektowe: HLD
  • Energia i systemy zasilania
  • Kontrola Energii
  • DSP
  • Komunikacja
  • Silniki i Siłowniki
  • Mechanika



  • Artificial Intelligence




    Jak A.I. zmienia nasz świat




    Mity Sztucznej Inteligencji




    Króka Historia A.I.




    Fundamenty


    • Prolog

    • Wprowadzenie do A.I.

    • Definiowanie roli danych

    • Biorąc pod uwagę alogorytmy

    • Pionierski ,specjalistyczny sprzęt

    • Zastosowanie AI w aplikacjach komputerowych

    • Automatyzacja typowych procesów

    • Zastosowanie AI w medycynie

    • A.I. a poprawa interakcji

    • Analiza danych przez A.I.

    • Wykorzystanie machine learning

    • Poprawa A.I. (…)

    • Rozwój robotów

    • Latanie dronami

    • Samochód napędzany A.I.

    • Zroumieć aplikacje bez szans

    • AI w Kosmosie

    • Nowe zawody w erze A.I.

    •  X zawodów dla A.I.(?)

    • Wkład A.I. w społeczeństwo

    • Jak zawiodła A.I.




    "Ocieplamy" Fundamenty


    • Intuicyjna koncepcja sztucznej inteligencji

    • Podstawy wyszukiwania

    • Inteligentne wyszukiwanie

    • Algorytmy Ewolucyjne

    • Zaawansowane podejście ewolucyjne

    • Inteligencja Roju: Mrówki

    • Inteligencja roju: Cząstki

    • Uczenie maszynowe

    • Sztuczne sieci neuronowe

    •  Uczenie się ze wzmocnieniem za pomocą Q-Learning




    XVI Filarów Świątyni ArtInt′a


    • Korzenie i Zakres

    • Reprezentacja i wyszukiwanie

    • Struktury i strategie wyszukiwania

    • Wyszukiwanie Heurystyczne

    • Metody Stochastyczne

    • Budowanie algorytmów sterowania

    • Reprezentacja Wiedzy

    • Silna metoda rozwiązywanie problemów

    • Rozumowanie w niepewnych sytuacjach

    •  Uczenie maszynowe : oparte na symbolach

    • Uczenie maszynowe : koneksjonizm

    • Uczenie maszynowe : genetyczne i awaryjne

    • Uczenie maszynowe : probabilistyczne

    • Automatyczne wnioskowanie

    • Rozumienie języka naturalnego

    • Sztuczna Inteligencja jako pytanie empiryczne




    Sztuczna Inteligencja i Big Data

    Sekcja 1 : Big Data i systemy sztucznej inteligencji

    Sekcja 2 : Ontologia dla dużych zbiorów danych

    Sekcja 3: Uczenie się z dużych zbiorów danych

    Sekcja 4:Sieci neuronowe dla dużych zbiorów danych

    Sekcja 5: Deep Big Data Analytics

    Sekcja 6: Przetwarzanie języka naturalnego

    Sekcja 7: Systemy rozmyte

    Sekcja 8: Programowanie genetyczne

    Sekcja 9: Analiza roju

    Sekcja 10: Uczenie się przez wzmocnienie

    Sekcja 11: Cyberbezpieczeństwo

    Sekcja 12: Obliczenia poznawcze












    Wczoraj , Dziś … Jutro














    Odwiedzin: 11228
    Dzisiaj: 6
    On-line: 1
    Strona istnieje: 806 dni
    Ładowanie: 0.664 sek


    [ 2296 ]



    Sztuczna Inteligencja z Językiem NetLogo



    LINK



    A.I. dla Nie-Techników




    •  Część 1 - Podstawy sztucznej inteligencji
    •  Część 2 - Dane
    •  Część 3 - Uczenie maszynowe: Jest to podzbiór sztucznej inteligencji i obejmuje tradycyjne techniki statystyczne, takie jak regresja. Ale w tym rozdziale omówimy również zaawansowane algorytmy, takie jak k-Nearest Neighbor (k-NN) i Naive Bayes Classifier. Oprócz tego przyjrzymy się, jak stworzyć model uczenia maszynowego.
    •  Część 4 - Głębokie uczenie: Jest to kolejny podzbiór sztucznej inteligencji i jest to wyraźnie ten, w którym w ciągu ostatniej dekady pojawiło się wiele innowacji. Głębokie uczenie polega na wykorzystywaniu sieci neuronowych do znajdowania wzorców naśladujących mózg. W rozdziale przyjrzymy się głównym algorytmom, takim jak rekurencyjne sieci neuronowe (RNN), splotowe sieci neuronowe (CNN) i generatywne sieci kontradyktoryjne (GAN). Pojawią się również wyjaśnienia kluczowych pojęć, takich jak propagacja wsteczna.
    •  Część 5 - Automatyzacja procesów robotycznych: Wykorzystuje systemy do automatyzacji powtarzalnych procesów, takich jak wprowadzanie danych do systemu zarządzania relacjami z klientami (CRM). Robotic Process Automation (RPA) odnotował ogromny wzrost w ciągu ostatnich kilku lat ze względu na wysoki ROI (zwrot z inwestycji). Technologia była również wstępnym sposobem wdrażania sztucznej inteligencji przez firmy.
    •  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.


    Typowe typy algorytmów uczenia maszynowego

    Nie mamy wystarczająco dużo miejsca, aby omówić wszystkie algorytmy uczenia maszynowego! Zamiast tego lepiej skupić się na najczęstszych. W dalszej części przyjrzymy się tym w następujących przypadkach:

    •  Uczenie nadzorowane: Algorytmy można sprowadzić do dwóch wariantów. Jednym z nich jest klasyfikacja, która dzieli zbiór danych na wspólne etykiety. Przykłady algorytmów obejmują naiwny klasyfikator Bayesa i k-najbliższy sąsiad. Następnie następuje regresja, która znajduje w danych ciągłe wzorce. W tym celu przyjrzymy się regresji liniowej, modelowaniu zespołowemu i drzewom decyzyjnym.
    •  Nienadzorowane uczenie się: W tej kategorii przyjrzymy się grupowaniu. W tym celu omówimy klastrowanie k-średnich.