/3a260cb20525e8e897c181b2e32c11c5/n/jak-mysla-inteligentne-maszyny)
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
