Научные труды и учебные материалы. От конкретного вопроса — к книге и собственному маршруту обучения.
Карта областей знаний · Математика: 51 тема и 235 книг
Учебник о выборе действий при неопределённой среде, модели и наблюдениях. Соединяет планирование, обучение с подкреплением и взаимодействие нескольких участников с вычислительными алгоритмами на Julia. Оригинальное название: Algorithms for Decision Making. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Вводит возможности и ограничения искусственного интеллекта, соединяя технические основы с этическими и общественными вопросами. Материал на английском языке; доступ к оригиналу указан в источниках.
Введение в применение искусственного интеллекта в высшем образовании и связанные этические вопросы. Помогает обсуждать использование новых инструментов в учебной среде. Материал на английском языке; доступ к оригиналу указан в источниках.
Курс знакомит с построением моделей, которые обучаются по данным. Рассматривает постановку задач обучения, выбор моделей и оценку их работы, связывая алгоритмы с практикой анализа данных. Комплект курса на английском языке; здесь представлена карточка со ссылками на материалы MIT OpenCourseWare.
Введение в машинное обучение через вероятностные модели и байесовский подход к решениям. Математическая подготовка связана с методами обучения по размеченным и неразмеченным данным. Оригинальное название: Probabilistic Machine Learning: An Introduction. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Продолжение вероятностного подхода к машинному обучению для подготовленного читателя. Рассматривает генеративное моделирование, вывод, обучение с подкреплением и причинные задачи как части общей системы методов. Оригинальное название: Probabilistic Machine Learning: Advanced Topics. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Учебник о математических основах и методах глубокого обучения. От базовых понятий он переходит к архитектурам нейронных сетей, обучению моделей и направлениям исследования сложных представлений данных. Оригинальное название: Deep Learning. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Знакомит с применением и осмыслением искусственного интеллекта в библиотечной и информационной деятельности. Карточка ведёт к оригинальному учебному материалу; полный текст на Libreta не размещён.
Обзор способов представления знаний, поиска решений и обучения в системах искусственного интеллекта. Материал показывает, как формализовать интеллектуальную задачу и выбрать подход к её решению. Комплект курса на английском языке; здесь представлена карточка со ссылками на материалы MIT OpenCourseWare.
Лекционные материалы о нейронных сетях и машинном обучении с акцентом на задачи классификации и регрессии. Карточка ведёт к оригинальному учебному материалу; полный текст на Libreta не размещён.
Учебник соединяет обучение с подкреплением с моделями взаимодействия нескольких агентов. Рассматривает теоретические основания, алгоритмические подходы и трудности обучения в изменяющейся многоагентной среде. Оригинальное название: Multi-Agent Reinforcement Learning: Foundations and Modern Approaches. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Систематическое изложение обучения с подкреплением: оценивание поведения, поиск стратегии и приближение функций. Книга связывает алгоритмы с последовательным взаимодействием агента и среды. Оригинальное название: Reinforcement Learning: An Introduction. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Учебник последовательно объясняет устройство и обучение глубоких моделей. Концептуальные объяснения сопровождаются математическим описанием и практическими упражнениями, включая материал о современных генеративных архитектурах. Оригинальное название: Understanding Deep Learning. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Книга объединяет теоретические модели принятия решений с инженерными приложениями. Обсуждает неопределённость модели и наблюдений и способы обосновывать решения в задачах автономных систем. Оригинальное название: Decision Making Under Uncertainty: Theory and Application. Здесь представлена библиографическая карточка; полный текст не перепубликуется.
Междисциплинарный учебник о справедливости в машинном обучении. Сопоставляет статистические и причинные критерии с социальными, правовыми и философскими вопросами применения автоматизированных решений. Оригинальное название: Fairness and Machine Learning: Limitations and Opportunities. Здесь представлена библиографическая карточка; полный текст не перепубликуется.