Jak myślą inteligentne maszyny Filip Fierek Książka

Książka przedstawia wciągający i przystępny przegląd przełomowych odkryć w obszarze sztucznej inteligencji i uczenia maszynowego, które uczyniły dzisiejsze maszyny tak inteligentnymi.

Autor Sean Gerrish opisuje:

• architekturę oprogramowania, która pozwala samochodom autonomicznym pozostać na drodze i poruszać się po zatłoczonym środowisku miejskim;
• konkurs Netflix’a z nagrodą w wysokości miliona dolarów na lepszy silnik rekomendacji;
• w jaki sposób programiści wyszkolili komputery, aby wykonywały określone zachowania, oferując im smakołyki, tak jakby trenowali psa;
• słynne zwycięstwo Watsona w Jeopardy! i przygląda się temu, jak komputery grają w gry na przykładzie AlphaGo i Deep Blue, które pokonały ówczesnych mistrzów świata w grach strategicznych go i szachach.

Komputery nie opanowały jeszcze jednak wszystkiego. Autor przedstawia trudności w tworzeniu inteligentnych agentów, którzy mogą z powodzeniem grać w gry strategiczne takie jak StarCraft. Entuzjaści nauki i technologii uznają tę książkę za niezbędny przewodnik po przyszłości, w której maszyny mogą przechytrzyć ludzi.

Sean Gerrish jest menedżerem w zespole ds. inżynierii oprogramowania w Google. W swojej obecnej firmie pracował na różnych stanowiskach w zakresie uczenia maszynowego i inżynierii danych. Wcześniej zajmował się tym również w Teza Technologies. Uzyskał tytuł doktora w dziedzinie uczenia maszynowego na Uniwersytecie Princeton.

„W tym przejrzystym i przystępnym przewodniku Gerrish demonstruje swoją niezwykłą zdolność do wyjaśniania działania najbardziej imponujących, złożonych aplikacji AI... zarówno dla specjalistów, jak i niespecjalistów”.

- Business Digest

„Jeśli kiedykolwiek zastanawiałeś się, jak działają samochody autonomiczne, w jaki sposób Netflix stworzył swój system rekomendacji i jak Watson autorstwa IBM pokonał mistrzów w Jeopardy!, ta książka jest dla Ciebie.”

- Robotics Business Review

„Świeże i współczesne spojrzenie na sztuczną inteligencję, uczenie maszynowe i głębokie uczenie”.

- Inside Big Data