📘 Искусственный интеллект в стратегических играх [2024] Илья Шпигорь

Часть I. Компьютерные шахматы. Эта книга задумывалась как простой и доступный учебник по теории ИИ. Затем её фокус сместился на успехи интеллектуальных агентов в стратегических играх. В результате книга объединила в себе три темы: теория игр, теория ИИ и компьютерные шахматы.

Книга заинтересует вас, если вы хотите:
* Понять основы ИИ, машинного обучения и нейронных сетей.
* Узнать устройство современных шахматных программ.
* Познакомиться с успехами и перспективами ИИ в стратегических играх.

Кроме этого, вы также познакомитесь с практическими примерами использования ИИ. Они продемонстрируют простые модели машинного обучения для решения типовых задач.#искусственный_интеллект #теория_игр #программирование #машинное_обучение #алгоритмы

💡 Physics.Math.Code // @physics_lib

📱 Revisiting BPR: A Replicability Study of a Common Recommender System Baseline

💾 Скачать исследование – ссылка

Ученые из лаборатории искусственного интеллекта T-Bank AI Research представили новый алгоритм, который с помощью ИИ увеличивает точность онлайн-рекомендаций до 50% в некоторых случаях. Разработчики взяли за основу и улучшили популярный алгоритм для предсказания предпочтений пользователей Bayesian Personalized Ranking, который считается одним из мировых стандартов в рекомендательных системах. Поиск наиболее эффективного варианта алгоритма занял более 200 000 GPU-часов и 15 000 экспериментов на внутренних данных Т-Банка с различными комбинациями параметров модели. Отмечается также, что новая разработка оказалась на 10% точнее алгоритма Mult-VAE, которую ранее опубликовали разработчиками из Netflix.

Новый алгоритм позволит компаниям улучшать свои метрики, в том числе конверсию в покупку, средний чек и выручку. Покупатели при этом смогут быстрее находить нужные товары на маркетплейсах, а зрители — получать более персонализированные рекомендации фильмов и сериалов.

Открытие ученых было признано мировым научным сообществом и представлено на главной международной конференции по рекомендательным системам ACM RecSys.

#ИИ #AI #искусственный_интеллект #science #алгоритмы

💡 Physics.Math.Code // @physics_lib

⛵️ Самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ разработали ученые из T-Bank AI Research

💾 Скачать исследование

Ранее в области компьютерного зрения (CV) для распознавания объектов на фото применялись методы машинного обучения. Однако они сталкивались с проблемой однородности ансамблей, иначе говоря, они были слишком похожи друг на друга, что приводило к снижению качества и разнообразия их оценок.

Ученые из T-Bank AI Research разработали метод Saliency-Diversified Deep Ensembles, решающий эту проблему. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. “Глубокие ансамбли”, которые объединяют несколько нейронных сетей для решения задачи применялись и ранее для компьютерного зрения, но при применении SDDE каждая модель обращается к разным аспектам данных, например отдельно захватывается фон изображения. Компиляция таких разных данных и привела к повышению точности анализа объектов на изображениях. Так ученым удалось уменьшить схожесть моделей, что способствует более надежной и диверсифицированной идентификации объектов.

Использование метода SDDE позволяет модели на 20% меньше ошибаться при обработке и анализе фото. При этом она учитывает не только наборы данных, знакомые ей из обучения, но и неизвестную ранее информацию. В перспективе метод SDDE будут использовать в сферах, требующих высокой точности анализа, например, в медицинской диагностике, где важно различать неопознанные элементы и графические артефакты, а также в сфере беспилотных транспортных средств.

Для проверки метода и оценки его эффективности ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Результаты метода SDDE превзошли результаты других схожих алгоритмов, например, Negative Correlation Learning и Adaptive Diversity Promoting.

На Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби открытие ученых было признано мировым научным сообществом.

#ИИ #AI #искусственный_интеллект #science #алгоритмы #math #математика

💡 Physics.Math.Code // @physics_lib

Муравьи против людей: задача по переносу объекта через лабиринт

📝 Подробнее здесь

#физика #наука #science #physics #геометрия #искусственный_интеллект

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

💾 Скачать книгу

Обработка нечёткой информации — процесс, при котором системы работают с данными, которые не имеют чёткого значения, но могут быть представлены в виде нечётких множеств или лингвистических переменных. Для обработки такой информации используются методы на основе нечёткой логики — формы многозначной логики, производной от теории нечётких множеств.

Обработка нечёткой информации включает несколько этапов, которые называются процессом нечёткого вывода:
1. Фаззификация — преобразование входных данных в значения лингвистических переменных.
2. Нечёткий вывод — применение процедур на множестве продукционных правил для формирования выходных лингвистических значений.
3. Дефаззификация — преобразование выведенных значений в точные значения для действий или решений.

Некоторые методы обработки нечёткой информации:
▪️На основе алгоритмов нечёткого вывода. Например, механизм Мамдани, который включает фаззификацию, нечётный вывод, композицию и дефаззификацию.
▪️С использованием функций принадлежности. Они количественно определяют степень принадлежности элемента к нечётному множеству и могут принимать различные формы (линейная, экспоненциальная, гауссова).
▪️С применением интервального анализа. Позволяет работать с величинами, для которых задан лишь интервал допустимых или возможных значений.
#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

Монография посвящена вопросам обработки нечеткой информации в системах принятия решений, создаваемых на базе универсальных ЭВМ. Данные системы применяются при управлении технологическими объектами, в САПР, технической диагностике и разрабатываются как составная часть экспертных систем. Одним из источников информации в таких системах являются специалисты, выражающие свои знания с помощью нечетких понятий и отношений естественного языка.Описываются теоретические принципы, методы и прикладные алгоритмы анализа решений в условиях риска и нечеткой исходной информации на основе лингвистического подхода. Излагаются основные элементы нечеткой математики в моделях принятия решений. Особое внимание уделяется применению аксиоматической теории полезности. Предлагаются методы формирования лингвистических лотерей, позволяющие обосновать правила вычисления и упорядочения лингвистических оценок ожидаемой полезности альтернатив.Рассматриваются методы оценивания полезности в условиях нечеткой информации. Приводятся модели принятия решений на основе безусловных и условных нечетких свидетельств. Применение нечетких свидетельств для описания информации лица, принимающего решения, позволяет оценивать ее качество и производить коррекцию.Описывается программное обеспечение обработки нечеткой информации в системах принятия решений. Приводятся примеры решения организационно-технических задач при нечеткой исходной информации.Для научных работников — специалистов в области систем автоматизированного проектирования, автоматизации управления, принятия решений, экспертных систем.

Обработка нечёткой информации применяется в различных областях, например:

▪️Системы управления. Контроллеры с нечёткой логикой определяют оптимальные точки переключения передач на основе скорости, положения дроссельной заслонки и других факторов.
▪️Экспертные системы. Используют нечёткую логику для имитации способностей человека-эксперта к принятию решений. Например, системы медицинской диагностики оценивают симптомы и результаты анализов, предоставляя диагноз, учитывающий неопределённость состояния здоровья.
▪️Обработка изображений. Нечёткая логика помогает определить границы, уменьшить шум и улучшить качество изображения, учитывая неоднозначность данных.
▪️Системы поддержки принятия решений. Принимают обоснованные решения на основе неполной или неопределённой информации, например, оценивают риск и доходность вариантов инвестирования в неопределённых рыночных условиях.

#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib

📙 Algorithms for image processing and computer vision [2010] J. R. Parker
📙 Алгоритмы для обработки изображений и компьютерного зрения [2010] Дж. Р . Паркер

💾 Скачать книгу

Сборник алгоритмов для распространенных приложений обработки изображений.

📘 Краткое введение в программирование роботов с помощью ROS2 [2022] Франсиско Мартин Рико

📗 Компьютерное зрение: алгоритмы и приложения [2022] Ричард Шелиски

📘 Создаём нейронную сеть [2017] Рашид Тарик

📕 Зрение роботов [1989] Хорн Б. К. П.

📗 Компьютерное зрение Передовые методы и глубокое обучение [2022] Дэвис Рой, Терк Мэтью

#компьютерное_зрение #python #computer_vision #программирование #машинное_обучение #искусственный_интеллект #cpp #робототехника

💡 Physics.Math.Code // @physics_lib

📙 Algorithms for image processing and computer vision [2010] J. R. Parker
📙 Алгоритмы для обработки изображений и компьютерного зрения [2010] Дж. Р . Паркер

Благодаря достижениям в области компьютерного оборудования и программного обеспечения были разработаны алгоритмы, которые поддерживают сложную обработку изображений, не требуя обширных знаний в области математики. Этот бестселлер был полностью обновлен с учетом новейших разработок, включая методы 2D-визуализации при поиске по контенту и использование графических карт в качестве вычислительных средств для обработки изображений. Это идеальный справочник для инженеров-программистов и разработчиков программного обеспечения, продвинутых программистов, графиков, ученых и других специалистов, которым требуется узкоспециализированная обработка изображений.

▪️ В настоящее время существуют алгоритмы для широкого спектра сложных приложений обработки изображений, которые требуются инженерам-программистам и разработчикам программного обеспечения, продвинутым программистам, программистам-графологам, ученым и смежным специалистам.

▪️ Этот бестселлер был полностью обновлен, чтобы включить в него новейшие алгоритмы, в том числе методы 2D-визуализации при поиске по контенту, подробную информацию о современных методах классификации и графических картах, используемых в качестве вычислительных средств для обработки изображений.

▪️ Экономит часы математических вычислений за счет использования распределенной обработки и программирования на графическом процессоре и предоставляет специалистам, не являющимся математиками, кратчайшие пути, необходимые для программирования относительно сложных приложений.

"Алгоритмы для обработки изображений и компьютерного зрения", 2-е издание, содержит инструменты для ускорения разработки приложений для обработки изображений.

#компьютерное_зрение #python #computer_vision #программирование #машинное_обучение #искусственный_интеллект #cpp #робототехника

💡 Physics.Math.Code // @physics_lib

📗 Прикладное машинное обучение и искусственный интеллект для инженеров [2024] Джеф Просиз
📙 Applied Machine Learning and AI for Engineers Solve Business Problems That Can't Be Solved Algorithmically [2022] Jeff Prosise

💾 Скачать книги RU + EN

Сейчас такой литературы полно, но у этой книги есть ряд преимуществ:
▫️1) она написана с точки зрения прямого прикладного применения ML-моделей и при этом содержит в себе очень большой обзор и очень много полезных примеров
▫️2) книга написана увлекательно и очень понятным языком
▫️3) книга переведена на русский язык и перевод качественный
▫️4) здесь есть даже инструкции, как внедрять облачные сервисы с ИИ в свои собственные приложения по API, и много подобных практически полезных вещей

Книга состоит из двух частей:
▪️ ЧАСТЬ 1. МАШИННОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ SCIКIT-LEARN
▪️ ЧАСТЬ 2. ГЛУБОКОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ КERAS И TENSORFLOW

В каждой части по 7 глав, где рассмотрены основные модели и как ими пользоваться, как внедрять и применять, много примеров прикладных задач присутствует в каждой главе. #AI #ИИ #машинное_обучение #python #искусственный_интеллект #математика #computer_science

💡 Physics.Math.Code // @physics_lib

📗 Прикладное машинное обучение и искусственный интеллект для инженеров [2024] Джеф Просиз

📙 Applied Machine Learning and AI for Engineers Solve Business Problems That Can't Be Solved Algorithmically [2022] Jeff Prosise

Книга рассказывает о применении искусственного интеллекта и машинного обучения в бизнесе и инженерной практике. Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать. Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Learn, а также создания нейронных сетей посредством библиотек Keras и TensorFlow. Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации. Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки. Рассмотрено использование набора облачных API Cognitive Services для внедрения ИИ в различные приложения. #AI #ИИ #машинное_обучение #python #искусственный_интеллект #математика #computer_science

💡 Physics.Math.Code // @physics_lib