SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

199 wyników

Brak okładki

Książka

W koszyku

Computer Recognition Systems = Komputerowe Systemy Rozpoznawania / red. Marek Kurzyński, Edward Puchała, Michał Woźniak. - Wrocław : Politechnika Wrocławska - Oficyna Wydaw., 2003. - 473 s. : il. ; 24 cm.

Autor

Conference on Computer Recognition Systems - KOSYR 2003 (3 ; 2003 ; Miłków). Kurzyński Marek. Puchała Edward. Woźniak Michał.

Temat

Rozpoznawanie obrazów Systemy informatyczne Sztuczna inteligencja.

Bibliogr. przy ref.

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 107788 LE (1 egz.)

Brak okładki

Książka

W koszyku

Metody i algorytmy sztucznej inteligencji w cyfrowym przetwarzaniu sygnałów / Jerzy Cytowski. - Warszawa : Akademicka Oficyna Wydawnicza PLJ, 1999. - 157 s. : il. ; 24 cm.

(Problemy Współczesnej Nauki. Teoria i Zastosowania. Informatyka)

Autor

Cytowski Jerzy.

Temat

Sztuczna inteligencja. Konwersja danych

Bibliogr. s. 153-157.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 98151 L (1 egz.)

Książka

W koszyku

Sztuczna inteligencja w biznesie : jak zdobyć rynkową przewagę dzięki AI / Thomas H. Davenport, Nitin Mittal ; przekład Witold Hensel i Maja Białek. - Wydanie pierwsze. - Warszawa : MT Biznes, copyright 2023. - 265, [5] stron : ilustracje ; 22 cm.

Autor

Davenport Thomas H. Mittal Nitin Hensel Witold Maria Białek Maja (1983- )

Forma i typ

Książki Publikacje fachowe

Temat

Konkurencyjność Sztuczna inteligencja Zarządzanie

Gatunek

Opracowanie

Dziedzina i ujęcie

Informatyka i technologie informacyjne Zarządzanie i marketing

Na czwartej stronie okładki : Biznes - Zarządzanie.

Czym jest firma zasilana sztuczna, inteligencja? Czynnik ludzki Strategia Technologia i dane Zdolności biznesowe związane z Al Przypadki użycia Al w różnych branżach Droga do zasilania sztuczna inteligencją

Sygnatura czytelni BWZ: XIII C 63

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 154352 N (1 egz.)

Biblioteka WEiZ

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 154353 N (1 egz.)

Brak okładki

Książka

W koszyku

Knowledge-Based Systems in Artificial Intelligence / Randall Davis, Douglas B. Lenat. - New York [i in.] : McGraw-Hill International Book Co., 1982. - XXI, 490 s. : schem., wykr. ; 24 cm.

(McGraw-Hill Computer Science Series)

Autor

Davis Randall. Lenat Douglas B.

Temat

Sztuczna inteligencja.

Bibliogr.s. 485 - 490

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. Z 5414, Z 7220 (2 egz.)

Książka

W koszyku

Power BI i sztuczna inteligencja : jak w pełni wykorzystać funkcje AI dostępne w Power BI / Mary-Jo Diepeveen ; przekład: Krzysztof Sawka. - Gliwice : Helion, copyright 2024. - 304 strony : fotografie, ilustracje, wykresy ; 24 cm.

Autor

Diepeveen Mary-Jo.. Sawka Krzysztof

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych

Temat

Data science Power BI Programy komputerowe Sztuczna inteligencja

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Dla osób znających środowisko Power BI.

Wprowadzenie do sztucznej inteligencji w Power BI Eksploracja danych w Power BI Przygotowywanie danych Prognozowanie danych szeregów czasowych Wykrywanie anomalii w danych za pomocą Power BI Korzystanie z języka naturalnego w eksplorcji danych za pomocą wizualizacji Q&A Korzystanie z pakietu Cognitive Services Integracja rozumienia języka naturalnego z Power BI Integracja interaktywnej aplikacji Q&A z Power BI Uzyskiwanie spostrzeżeń z obrazów za pomocą widzenia maszynowego Zautomatyzowane uczenie maszynowe za pomocą platformy Azure i Power BI Uczenie modelu za pomocą Azure Machine Learning Odpowiedzialna sztuczna inteligencja

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

w opracowaniu: sygn. 155505 N (1 egz.)

Brak okładki

Książka

W koszyku

Proceedings of the 10th IEEE International Conference on Methods and Models in Automation and Robotics [MMAR 2004, Międzyzdroje, Poland, 30 August - 2 September 2004]. Vol. 2 of 2, Robotisc, identification, expert systems and scheduling problems, artificial intelligencee / ed. S. Domek, R. Kaszyński. - Szczecin : Wydawnictwo Uczelniane Politechniki Szczecińskiej, 2004. - [4], 709-1444 s. : il. ; 30 cm.

(IEEE [Institute of Electrical and Electronics Engineers] Conference ; n. 9195)

Autor

Domek Stefan. Kaszyński Roman (1950- ).

Temat

Automatyka Sztuczna inteligencja. Systemy ekspertowe

Gatunek

Materiały konferencyjne

Zawiera także spis treści vol. 1.

Bibliogr. przy ref. Indeks.

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 109747 L (1 egz.)

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 110063 LE (1 egz.)

Brak okładki

Książka

W koszyku

Ergonomia wobec idei sztucznej inteligencji, sztuczna inteligencja w aspektach ergonomicznych. 1 / Małgorzata Drożdż-Szczybura, Tadeusz Juliszewski, Anna Mleczko ; Politechnika Krakowska im. Tadeusza Kościuszki, Uniwersytet Rolniczy im. Hugona Kołłątaja w Krakowie, Polska Akademia Umiejętności. - Kraków : Wydawnictwo PK, 2020. - 86 stron : ilustracje kolorowe ; 23 cm.

Autor

Drożdż-Szczybura Małgorzata. Juliszewski Tadeusz (1951- ). Mleczko Anna.

Forma i typ

Książki Publikacje naukowe

Temat

Ergonomia Sztuczna inteligencja

Gatunek

Praca zbiorowa

Dziedzina i ujęcie

Informatyka i technologie informacyjne Etnologia i antropologia kulturowa Gospodarka, ekonomia, finanse

Bibliografia przy pracach.

Małgorzata DROŻDŻ-SZCZYBURA Industrialna przeszłość i inteligentne miasta przyszłości farmami pionowymi 5 Tadeusz JULISZEWSKI Sztuczna inteligencja w systemie człowiek-maszyna w inżynierii rolniczej 33 Anna MLECZKO Inteligentne budownictwo jako element zrównoważonego rozwoju strefy podmiejskiej 61

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 150444 N (1 egz.)

Brak okładki

Książka

W koszyku

Girl decoded : jak emocjonalna sztuczna inteligencja pomaga zrozumieć siebie i innych / Rana el Kaliouby PhD oraz Carol Colman ; [tłumaczenie Agnieszka Jarosz]. - Wydanie I. - Warszawa : CeDeWu, 2021. - 407 stron ; 23 cm.

Autor

El Kaliouby Rana (1978- ) Colman Carol Jarosz Agnieszka

Forma i typ

Książki Literatura faktu, eseje, publicystyka

Przynależność kulturowa

Literatura egipska

Temat

El Kaliouby, Rana (1978- ) Informatycy Inteligencja emocjonalna Kobieta Sztuczna inteligencja Egipt Stany Zjednoczone (USA)

Gatunek

Pamiętniki i wspomnienia

Dziedzina i ujęcie

Historia Informatyka i technologie informacyjne

Nazwa pierwszego autora wyróżniona typograficznie.

Bibliografia, netografia na stronach 399-406.

Analfabetyzm emocjonalny 13 CZĘŚĆ I GRZECZNA EGIPCJANKA 1 Dorastanie w Egipcie 29 2 Olej i woda 39 3 Wykorzeniona 47 4 Co pomyślą sąsiedzi? 59 5 Iskra 71 6 Zamężna kobieta 85 CZĘŚĆ II NAUKOWIEC I WRÓŻKA W JEDNYM 7 Obca na obczyźnie 99 8 Szalony naukowiec mówi do ściany 113 9 Wyzwanie 129 10 Jak być człowiekiem 139 11 Mommy Brain - czyli matczyne ogłupienie 151 12 Szalone pomysły 163 CZĘŚĆ III ŻYJĄC W DWÓCH ŚWIATACH 13 To drugie Cambridge 183 14 Demo or die 189 15 Własna firma 209 16 Moja arabska wiosna 217 17 Uziemiona w Kairze 231 18 Kobieta odpowiedzialna 249 CZĘŚĆ IV PIONIERKA W AI 19 Hackathon 265 20 Cisza 277 21 Sekrety uśmiechu 289 22 Nowa amerykańska rodzina 303 23 Wyrównywanie szans 317 24 (Prawie) ludzkie 333 25 Alexa, musimy porozmawiać 349 26 Roboty na kółkach 359 27 Ludzkie przed sztucznym 375

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 155498 N (1 egz.)

Brak okładki

Książka

W koszyku

Wprowadzenie do nauczania maszynowego / Dino Esposito, Francesco Esposito ; przekład Joanna Zatorska. - Warszawa : APN Promise, 2020. - XXII, 423 strony : ilustracje ; 23 cm.

Autor

Esposito Dino. Esposito Francesco. Zatorska Joanna.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Programiści

Temat

Programowanie (informatyka) Przetwarzanie danych Sztuczna inteligencja Uczenie maszynowe.

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Introducing machine learning, 2020

Na okładce: Professional oraz nazwa wydawcy oryginału: Microsoft.

Indeks.

Dla programistów chcących zdobyć umiejętnośći z zakresu analizy danych, jak i dla analityków danych, którzy chcą zdobyć odpowiednie umiejętnści programistyczne.

Część I Podstawy uczenia maszynowego Jak uczą się ludzie Ku myślącym maszynom Świt rozumowania mechanicznego Twierdzenia Godła o niekompletności Formalizacja maszyn liczących Formalizacja ludzkiego myślenia Narodziny sztucznej inteligencji jako dyscypliny Biologia uczenia się Czym właściwie jest inteligentne oprogramowanie? Jak działają neurony Podejście kija i marchewki Przystosowywanie się do zmian Sztuczne formy inteligencji Prymitywna inteligencja Systemy eksperckie Systemy autonomiczne Sztuczne formy sentymentu Inteligentne oprogramowanie Stosowana sztuczna inteligencja Ewolucja inteligencji oprogramowania Systemy eksperckie Ogólna sztuczna inteligencja Uczenie nienadzorowane Uczenie nadzorowane Problemy z odwzorowywaniem i algorytmy Podstawowe problemy Klasyfikowanie obiektów Przewidywanie wyników Grupowanie obiektów Bardziej złożone problemy Klasyfikacja obrazów Wykrywanie obiektów Analiza tekstu Zautomatyzowane uczenie maszynowe Aspekty platformy AutoML Korzystanie z platformy AutoML Model Builder Ogólne kroki rozwiązania uczenia maszynowego Zbieranie danych Kultura firmy sterowana danymi Opcje magazynu Przygotowanie danych Podnoszenie jakości danych Czyszczenie danych Inżynieria cech Finalizowanie treningowego zbioru danych Wybieranie i trenowanie modelu Ściągawka z algorytmów Przypadek sieci neuronowych Ewaluacja wydajności modelu Wdrażanie modelu Wybór odpowiedniej platformy hostingowej Eksponowanie API Czynnik danych Jakość danych Ważność danych Zbieranie danych Integralność danych Kompletność Unikatowość Terminowość Dokładność Spójność Kim właściwie jest analityk danych? Praca analityka danych Przybornik analityka danych Analitycy danych i programiści Część II Uczenie maszynowe w .NET Sposób .NET Dlaczego (nie) Python? Dlaczego Python jest tak popularny w uczeniu maszynowym? Taksonomia bibliotek Pythona wykorzystywanych w uczeniu maszynowym Kompleksowe rozwiązania wykorzystujące modele Pythona Wstęp doML.NET Tworzenie i używanie modeli w MLNET Elementy kontekstu uczenia Implementacja potoku MLNET Dane początkowe Eksploracja zbioru danych Stosowanie typowych transformacji danych Uwarunkowania zbioru danych Etap treningowy Wybór algorytmu Pomiar rzeczywistej wartości algorytmu Planowanie fazy testowej Rzut oka na miary Przewidywanie cen z poziomu aplikacji klienckiej Pobieranie pliku modelu Konfigurowanie aplikacji ASP.NET Przewidywanie opłat za przejazd taksówką Opracowanie odpowiedniego interfejsu użytkownika Wątpliwości dotyczące danych i podejścia do problemu Zadania i algorytmy ML.NET Ogólna architektura ML.NET Wykorzystywane typy i interfejsy Reprezentacja danych Obsługiwane katalogi Zadania klasyfikacji Klasyfikacja binarna Klasyfikacja wieloklasowa Zadania grupowania w klastry Przygotowanie danych do pracy Trenowanie modelu Ocena modelu Przeniesienie uczenia Etapy tworzenia klasyfikatora obrazów Stosowanie niezbędnych transformacji danych Tworzenie i trenowanie modelu Dodatkowe uwagi o przeniesieniu uczenia Część III Podstawy uczenia płytkiego Matematyczne podstawy uczenia maszynowego Pod parasolem statystyki Średnia w statystyce Dominanta w statystyce Mediana w statystyce Obciążenie i wariancja Wariancja w statystyce Obciążenie w statystyce Reprezentacja danych Podsumowanie pięcioliczbowe Histogramy Wykresy punktowe Macierze wykresu punktowego Tworzenie wykresu na odpowiedniej skali Miary uczenia maszynowego Statystyka a uczenie maszynowe Ostateczny cel uczenia maszynowego Od modeli statystycznych do modeli uczenia maszynowego Ocena modelu uczenia maszynowego Od zbioru danych do prognoz Mierzenie precyzji modelu Przygotowanie danych do przetwarzania Skalowanie Standaryzacja Normalizacja Proste prognozy: Regresja liniowa Problem Zgadywanie wyników na podstawie danych Tworzenie hipotez o relacji Algorytm liniowy Ogólna idea Znajdowanie funkcji straty Algorytm najmniejszych kwadratów Algorytm spadku gradientu Jak dobry jest algorytm? Ulepszanie rozwiązania Trasa wielomianowa Regularyzacja Złożone przewidywania i decyzje: drzewa Problem Czym właściwie jest drzewo? Drzewa w uczeniu maszynowym Przykładowy algorytm oparty na drzewie Zasady projektowania algorytmów opartych na drzewach Drzewa decyzyjne a systemy eksperckie Odmiany algorytmów opartych na drzewach Drzewa klasyfikacyjne Działanie algorytmu CART Algorytm ID3 Drzewa regresji Działanie algorytmu Przycinanie drzewa Jak podejmować lepsze decyzje: metody grupowe Problem Technika bagging Algorytmy lasów losowych Kroki algorytmów Zalety i wady Technika wzmacniania (boosting) Możliwości wzmacniania Wzmacnianie gradientowe Zalety i wady Metody probabilistyczne: naiwny klasyfikator bayesowski Szybkie wprowadzenie do statystyki bayesowskiej Wstęp do prawdopodobieństwa Bayesa Wstęp do notacji Twierdzenie Bayesa Praktyczny przykład recenzji kodu Wykorzystanie statystyki bayesowskiej w klasyfikacji Wstępne sformułowanie problemu Uproszczone (lecz skuteczne) sformułowanie Praktyczne aspekty klasyfikatorów bayesowskich Naiwne klasyfikatory bayesowskie Ogólny algorytm Wielomianowy naiwny klasyfikator bayesowski Naiwny klasyfikator bayesowski Bernoulliego Naiwny klasyfikator bayesowski Gaussa Naiwna regresja bayesowska Podstawy liniowej regresji bayesowskiej Zastosowanie bayesowskiej regresji liniowej Grupowanie danych: klasyfikacja i klastry Podstawowe podejście do klasyfikacji nadzorowanej Algorytm k najbliższych sąsiadów Kroki algorytmu Scenariusze biznesowe Maszyna wektorów nośnych Ogólny opis algorytmu Szybka powtórka z matematyki Kroki algorytmu Klasteryzacja nienadzorowana Przypadek biznesowy: redukcja zbioru danych Algorytm K-średnich Algorytm K-medoidów Algorytm DBSCAN Część IV Podstawy uczenia głębokiego Jednokierunkowe sieci neuronowe Krótka historia sieci neuronowych Neuron McCullocha-Pittsa Sieci jednokierunkowe Bardziej wyrafinowane sieci Typy sztucznych neuronów Perceptron Neuron logistyczny Trenowanie sieci neuronowej Ogólna strategia uczenia Algorytm propagacji wstecznej Projekt sieci neuronowej Aspekty sieci neuronowej Funkcje aktywacji Ukryte warstwy Warstwa wyjściowa Budowanie sieci neuronowej Dostępne platformy Pierwsza sieć neuronowa za pomocą Keras Sieci neuronowe kontra inne algorytmy Inne typy sieci neuronowych Typowe problemy jednokierunkowych sieci neuronowych Rekurencyjne sieci neuronowe Anatomia sieci neuronowej ze stanem Sieci neuronowe LSTM Konwolucyjne sieci neuronowe Klasyfikacja i rozpoznawanie obrazów Warstwa konwolucyjna Warstwa typu pooling W pełni połączona warstwa Dalszy rozwój sieci neuronowych Generatywne sieci neuronowe z przeciwnikiem Sieci typu autoencoder Analiza sentymentu: kompleksowe rozwiązanie Przygotowanie danych treningowych Formalizowanie problemu Uzyskiwanie danych Manipulowanie danymi Uwarunkowania dotyczące formatu pośredniego Trenowanie modelu Wybieranie ekosystemu Budowanie słownika wyrazów Wybieranie trenera Inne aspekty sieci Aplikacja kliencka Pobieranie danych wejściowych dla modelu Uzyskiwanie prognoz z modelu Przekształcanie odpowiedzi w przydatne informacje Część V Finalne uwagi O Usługi w chmurze oferujące Al Azure Cognitive Services Azure Machinę Learning Studio Azure Machinę Learning Service Maszyny DSVM Usługi lokalne SQL Server Machinę Learning Sen/ices Machinę Learning Server Microsoft Data Processing Services Azure Data Lake Azure Databricks Azure HDInsight .NET dla Apache Spark Azure Data Share Azure Data Factory Biznesowe postrzeganie Al Postrzeganie Al w branży Wykorzystanie potencjału Do czego można wykorzystać sztuczną inteligencję Wyzwania czające się tuż za rogiem Kompleksowe rozwiązania Nazwijmy to po prostu konsultingiem Granica między oprogramowaniem a analizą danych Zwinna Al

Sygnatura czytelni BWEAiI: XII Ą 106

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 149327 N (1 egz.)

Książka

W koszyku

Sztuczna inteligencja : bezpieczeństwo i zabezpieczenia / redakcja Roman V. Yampolskiy ; Bill Joy [i 10 pozostałych] ; przekład Piotr Fabijańczyk na zlecenie Witkom Witold Sikorski. - Wydanie 1. - Warszawa : Wydawnictwo Naukowe PWN, 2020. - XXXIII, [1], 546 stron : ilustracje ; 24 cm.

Autor

Fabijańczyk Piotr. Yampolskiy Roman V. (1979- ). Joy Bill (1954- ).

Forma i typ

Książki Publikacje popularnonaukowe

Temat

Sztuczna inteligencja

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Bibliografia przy rozdziałach. Indeks.

Wprowadzenie do bezpieczeństwa i ochrony sztucznej inteligencji Obawy luminarzy Dlaczego przyszłość nas nie potrzebuje Bill Joy Głęboko przeplatana obietnica i niebezpieczeństwo GNR Ray Kurzweil Podstawowe pobudki SI Stephen M. Omohundro Etyka sztucznej inteligencji Nick Bostrom i Eliezer Yudkowsky Przyjazna sztuczna inteligencja: Wyzwanie fizyki Max Tegmark MDL destylacja inteligencji: Poznawanie strategii bezpiecznego dostępu do superinteligentnych możliwości rozwiązywania problemów K. Eric Drexler Problem uczenia się wartości Nate Soares Przykłady kontradyktoryjne w świecie fizycznym Alexey Kurakin, Ian J. Goodfellow i Samy Bengio W jaki sposób może zaistnieć SI? Różne podejścia i ich implikacje dla życia we wszechświecie David Brin Przyszłość MADCOM: Jak sztuczna inteligencja może wzmocnić propagandę obliczeniową, przeprogramować ludzką kulturę oraz zagrozić demokracji i co można z tym zrobić Matt Chessen Strategiczne implikacje otwartości w rozwoju sztucznej inteligencji Nick Bostrom Korzystanie z ludzkiej historii, psychologii i biologii w celu uczynienia SI bezpieczną dla ludzi Gus Bekdash Bezpieczeństwo SI z perspektywy pierwszej osoby Edward Frenkel Strategie dla nieprzyjaznej wyroczni SI z przyciskiem resetowania Olle Häggström Zmiany celu w inteligentnych agentach Seth Herd, Stephen J. Read, Randall O’Reilly i David J. Jilk Ograniczenia weryfikacji i walidacji zachowań agencyjnych David J. Jilk Kontradyktoryjne uczenie maszynowe Phillip Kuznetsov, Riley Edmunds, Ted Xiao, Humza Iqbal, Raul Puri, Noah Golmant i Shannon Shih Uzgadnianie wartości wykorzystując obliczalną odległość preferencji Andrea Loreggia, Nicholas Mattei, Francesca Rossi i K. Brent Venable Racjonalnie uzależniona sztuczna superinteligencja James D. Miller Bezpieczeństwo aplikacji robotów z wykorzystaniem ROS David Portugal, Miguel A. Santos, Samuel Pereira i Micael S. Couceiro Wybór preferencji społecznej i problem wyrównania wartości Mahendra Prasad Rozłączne scenariusze katastrofalnego ryzyka SI Kaj Sotala Realizm ofensywny i niezabezpieczona struktura systemu międzynarodowego: Sztuczna inteligencja i globalna hegemonia Maurizio Tinnirello Superinteligencja i przyszłość rządów: Priorytetyzacja problemu kontroli na końcu historii Phil Torres Wojskowa SI jako zbieżny cel samodoskonalącej się SI Alexey Turchin i David Denkenberger Wrażliwe na wartości podejście do projektowania inteligentnych agentów Steven Umbrello i Angelo F. De Bellis Konsekwencjalizm, deontologia i bezpieczeństwo sztucznej inteligencji Mark Walker Inteligentne maszyny są zagrożeniem dla ludzkości Kevin Warwick

Sygnatura czytelni BWEAiI: XII Ą 23

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 150048 N (1 egz.)

Brak okładki

Książka

W koszyku

Computer Information Systems and Applications. Vol.2 / red. Khalid Saeed [i in.] ; Wyższa Szkoła Finansów i Zarządzania w Białymstoku; aut. Gisella Facchinetti [i in.]. - Białystok : Wyższa Szkoła Finansów i Zarządzania - Wydaw., 2004. - 328, [1] s. : il., rys., schem., tab., wykr. ; 23 cm.

Autor

Facchinetti Gisella. Saeed Khalid.

Temat

Informatyka Systemy informatyczne Sztuczna inteligencja. Sieci komputerowe Szyfry

Bibliogr. przy art.

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 109704 LE (1 egz.)

Książka

W koszyku

Maszyny matematyczne i myślenie / pod red. Edwarda A. Feigenbauma, Juliana Feldmana ; [tł. D. Gajkowicz et al.]. - Warszawa : Państwowe Wydawnictwo Naukowe, 1972. - 489, [2] s. : il., err. ; 25 cm.

Autor

Feigenbaum Edward Albert (1936- ). Feldman Julian. Gajkowicz Danuta.

Temat

Sztuczna inteligencja. Komputery Przetwarzanie danych

Bibliogr. s. [445]-482. Indeks.

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 40609, 40610, 40611 (3 egz.)

Książka

W koszyku

Autor

Fenner Mark E. Hubisz Jakub. Walczak Tomasz (tłumacz).

Forma i typ

Książki Publikacje fachowe

Temat

Uczenie maszynowe. Sztuczna inteligencja Programowanie (informatyka) Python (język programowania)

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

CZĘŚĆ I. PIERWSZE KROKI 25 Rozdział 1. Podyskutujmy o uczeniu się 27 1.2. Zakres, terminologia, predykcja i dane 28 1.2.1. Cechy 28 1.2.2. Wartości docelowe i predykcje 31 1.3. Rola maszyny w uczeniu maszynowym 31 1.4. Przykład systemów uczących się 33 1.4.1. Predykcja kategorii: przykłady klasyfikacji 33 1.4.2. Predykcja wartości - przykłady regresorów 35 1.5. Ocena systemów uczących się 35 1.5.1. Poprawność 36 1.5.2. Wykorzystanie zasobów 37 1.6. Proces budowania systemów uczących się 38 1.7. Założenia i realia uczenia się 40 1.8. Zakończenie rozdziału 42 1.8.1. Droga przed nami 42 Rozdział 2. Kontekst techniczny 45 2.1. O naszej konfiguracji 45 2.2. Potrzeba posiadania języka matematycznego 45 2.3. Nasze oprogramowanie do zmierzenia się z uczeniem maszynowym 46 2.4. Prawdopodobieństwo 47 2.4.1. Zdarzenia elementarne 48 2.4.2. Niezależność zdarzeń 50 2.4.3. Prawdopodobieństwo warunkowe 50 2.4.4. Rozkłady 52 2.5. Kombinacje liniowe, sumy ważone i iloczyny skalarne 54 2.5.1. Średnia ważona 57 2.5.2. Suma kwadratów 59 2.5.3. Suma kwadratów błędów 59 2.6. Perspektywa geometryczna: punkty w przestrzeni 60 2.6.1. Linie 61 2.6.2. Coś więcej niż linie 65 2.7. Notacja sztuczki plus jeden 69 2.8. Odjazd, zrywanie kaftana bezpieczeństwa i nieliniowość 71 2.9. NumPy kontra "cała matematyka" 73 2.9.1. Wracamy do 1D i 2D 75 2.10. Problemy z wartościami zmiennoprzecinkowymi 78 Rozdział 3. Predykcja kategorii - początki klasyfikacji 81 3.1. Zadania klasyfikacji 81 3.2. Prosty zestaw danych do klasyfikacji 82 3.3. Trenowanie i testowanie: nie ucz się do testu 84 3.4. Ocena - wystawienie stopni 87 3.5. Prosty klasyfikator nr 1: najbliżsi sąsiedzi, związki na odległość i założenia 88 3.5.1. Definiowanie podobieństwa 88 3.5.2. k w k-NN 90 3.5.3. Kombinacja odpowiedzi 90 3.5.4. k-NN, parametry i metody bezparametrowe 90 3.5.5. Budowa modelu klasyfikacji k-NN 91 3.6. Prosty klasyfikator nr 2: naiwny klasyfikator bayesowski, prawdopodobieństwo i złamane obietnice 93 3.7. Uproszczona ocena klasyfikatorów 96 3.7.1. Wydajność uczenia się 96 3.7.2. Wykorzystanie zasobów w klasyfikacji 97 3.7.3. Szacowanie zasobów w aplikacjach samodzielnych 103 3.8. Koniec rozdziału 106 3.8.1. Ostrzeżenie: ograniczenia i otwarte kwestie 106 Rozdział 4. Predykcja wartości numerycznych: początki regresji 111 4.1. Prosty zbiór danych dla regresji 111 4.2. Regresja z najbliższymi sąsiadami i statystyki sumaryczne 113 4.2.1. Miary środka: mediana i średnia 114 4.2.2. Budowa modelu regresji k-NN 116 4.3. Błędy regresji liniowej 117 4.3.1. Ziemia nie jest płaska, czyli dlaczego potrzebujemy pochyłości 118 4.3.2. Przekrzywienie pola 120 4.3.3. Wykonanie regresji liniowej 122 4.4. Optymalizacja - wybór najlepszej odpowiedzi 123 4.4.1. Zgadywanie losowe 124 4.4.2. Losowe kroki 124 4.4.3. Sprytne kroki 125 4.4.4. Obliczony skrót 125 4.4.5. Wykorzystanie w regresji liniowej 126 4.5. Prosta ocena i porównanie regresorów 126 4.5.1. Pierwiastek średniego błędu kwadratowego 126 4.5.2. Wydajność uczenia się 127 4.5.3. Wykorzystanie zasobów w regresji 127 4.6. Zakończenie rozdziału 129 4.6.1. Ograniczenia i kwestie otwarte 129 CZĘŚĆ II. OCENA 131 Rozdział 5. Ocena i porównywanie metod uczenia się 133 5.1. Ocena i dlaczego mniej znaczy więcej 133 5.2. Terminologia dla faz uczenia się 134 5.2.1. Powrót do maszyn 135 5.2.2. Mówiąc bardziej technicznie... 137 5.3. Majorze Tom, coś jest nie tak - nadmierne dopasowanie i niedopasowanie 141 5.3.1. Dane syntetyczne i regresja liniowa 141 5.3.2. Ręczna modyfikacja złożoności modelu 143 5.3.3. Złotowłosa - wizualizacja nadmiernego dopasowania, niedopasowania oraz "w sam raz" 145 5.3.4. Prostota 148 5.3.5. Uwagi na temat nadmiernego dopasowania 148 5.4. Od błędów do kosztów 149 5.4.1. Strata 149 5.4.2. Koszt 150 5.4.3. Punktacja 151 5.5. (Powtórne) próbkowanie - zamienić mniej w więcej 152 5.5.1. Walidacja krzyżowa 152 5.5.2. Rozwarstwienie 156 5.5.3. Powtarzany podział na dane treningowe i testowe 158 5.5.4. Lepszy sposób i tasowanie 161 5.5.5. Walidacja krzyżowa z odłożeniem jednego 164 5.6. Rozbicie: dekonstrukcja błędu na błąd systematyczny i wariancję 166 5.6.1. Wariancja danych 167 5.6.2. Wariancja modelu 167 5.6.3. Błąd systematyczny modelu 168 5.6.4. A teraz wszystko razem 168 5.6.5. Przykłady kompromisów związanych z błędem systematycznym i wariancją 169 5.7. Ocena graficzna i porównanie 173 5.7.1. Krzywe uczenia - jak dużo danych potrzebujemy? 173 5.7.2. Krzywe złożoności 177 5.8. Porównywanie metod uczących się za pomocą walidacji krzyżowej 178 Rozdział 6. Ocena klasyfikatorów 183 6.1. Klasyfikatory bazowe 183 6.2. Więcej niż dokładność - wskaźniki dla klasyfikacji 186 6.2.1. Eliminacja zamieszania za pomocą macierzy błędu 187 6.2.2. W jaki sposób można się mylić 188 6.2.3. Wskaźniki z macierzy błędu 189 6.2.4. Kodowanie macierzy błędu 190 6.2.5. Radzenie sobie z wieloma klasami - uśrednianie wieloklasowe 192 6.2.6. F1 194 6.3. Krzywe ROC 194 6.3.1. Wzorce w ROC 197 6.3.2. Binarny ROC 199 6.3.3. AUC - obszar pod krzywą ROC 201 6.3.4. Wieloklasowe mechanizmy uczące się, jeden kontra reszta i ROC 203 6.4. Inne podejście dla wielu klas: jeden-kontra-jeden 205 6.4.1. Wieloklasowe AUC, część druga - w poszukiwaniu pojedynczej wartości 206 6.5. Krzywe precyzji i skuteczności wyszukiwania 209 6.5.1. Uwaga o kompromisie precyzji i skuteczności wyszukiwania 209 6.5.2. Budowanie krzywej precyzji i skuteczności wyszukiwania 210 6.6. Krzywe kumulacyjnej odpowiedzi i wzniesienia 211 6.7. Bardziej wyrafinowana ocena klasyfikatorów - podejście drugie 213 6.7.1. Binarne 213 6.7.2. Nowy problem wieloklasowy 217 Rozdział 7. Ocena metod regresji 225 7.1. Metody regresji będące punktem odniesienia 225 7.2. Dodatkowe miary w metodach regresji 227 7.2.1. Tworzenie własnych miar oceny 227 7.2.2. Inne wbudowane miary regresji 228 7.2.3. R2 229 7.3. Wykresy składników resztowych 235 7.3.1. Wykresy błędów 235 7.3.2. Wykresy składników resztowych 237 7.4. Pierwsze podejście do standaryzacji 241 7.5. Ocena mechanizmów regresji w bardziej zaawansowany sposób: podejście drugie 245 7.5.1. Wyniki po sprawdzianie krzyżowym z użyciem różnych miar 246 7.5.2. Omówienie wyników ze sprawdzianu krzyżowego 249 7.5.3. Składniki resztowe 250 CZĘŚĆ III. JESZCZE O METODACH I PODSTAWACH 255 Rozdział 8. Inne metody klasyfikacji 257 8.1. Jeszcze o klasyfikacji 257 8.2. Drzewa decyzyjne 259 8.2.1. Algorytmy budowania drzewa 262 8.2.2. Do pracy. Pora na drzewa decyzyjne 265 8.2.3. Obciążenie i wariancja w drzewach decyzyjnych 268 8.3. Klasyfikatory oparte na wektorach nośnych 269 8.3.1. Stosowanie klasyfikatorów SVC 272 8.3.2. Obciążenie i wariancja w klasyfikatorach SVC 275 8.4. Regresja logistyczna 277 8.4.1. Szanse w zakładach 278 8.4.2. Prawdopodobieństwo, szanse i logarytm szans 280 8.4.3. Po prostu to zrób: regresja logistyczna 285 8.4.4. Regresja logistyczna: osobliwość przestrzenna 286 8.5. Analiza dyskryminacyjna 287 8.5.1. Kowariancja 289 8.5.2. Metody 299 8.5.3. Przeprowadzanie analizy dyskryminacyjnej 301 8.6. Założenia, obciążenie i klasyfikatory 302 8.7. Porównanie klasyfikatorów: podejście trzecie 304 8.7.1. Cyfry 305 Rozdział 9. Inne metody regresji 313 9.1. Regresja liniowa na ławce kar - regularyzacja 313 9.1.1. Przeprowadzanie regresji z regularyzacją 318 9.2. Regresja z użyciem wektorów nośnych 319 9.2.1. Zawiasowa funkcja straty 319 9.2.2. Od regresji liniowej przez regresję z regularyzacją do regresji SVR 323 9.2.3. Po prostu to zrób - w stylu SVR 324 9.3. Regresja segmentowa ze stałymi 325 9.3.1. Implementowanie regresji segmentowej ze stałymi 327 9.3.2. Ogólne uwagi na temat implementowania modeli 328 9.4. Drzewa regresyjne 331 9.4.1. Przeprowadzanie regresji z użyciem drzew 331 9.5. Porównanie metod regresji: podejście trzecie 332 Rozdział 10. Ręczna inżynieria cech - manipulowanie danymi dla zabawy i dla zysku 337 10.1. Terminologia i przyczyny stosowania inżynierii cech 337 10.1.1. Po co stosować inżynierię cech? 338 10.1.2. Kiedy stosuje się inżynierię cech? 339 10.1.3. Jak przebiega inżynieria cech? 340 10.2. Wybieranie cech i redukcja danych - pozbywanie się śmieci 341 10.3. Skalowanie cech 342 10.4. Dyskretyzacja 346 10.5. Kodowanie kategorii 348 10.5.1. Inna metoda kodowania i niezwykły przypadek braku punktu przecięcia z osią 351 10.6. Relacje i interakcje 358 10.6.1. Ręczne tworzenie cech 358 10.6.2. Interakcje 360 10.6.3. Dodawanie cech na podstawie transformacji 364 10.7. Manipulowanie wartościami docelowymi 366 10.7.1. Manipulowanie przestrzenią danych wejściowych 367 10.7.2. Manipulowanie wartościami docelowymi 369 Rozdział 11. Dopracowywanie hiperparametrów i potoki 375 11.1. Modele, parametry i hiperparametry 376 11.2. Dostrajanie hiperparametrów 378 11.2.1. Uwaga na temat słownictwa informatycznego i z dziedziny uczenia maszynowego 378 11.2.2. Przykład przeszukiwania kompletnego 378 11.2.3. Używanie losowości do szukania igły w stogu siana 384 11.3. Wyprawa w rekurencyjną króliczą norę - zagnieżdżony sprawdzian krzyżowy 385 11.3.1. Opakowanie w sprawdzian krzyżowy 386 11.3.2. Przeszukiwanie siatki jako model 387 11.3.3. Sprawdzian krzyżowy zagnieżdżony w sprawdzianie krzyżowym 388 11.3.4. Uwagi na temat zagnieżdżonych SK 391 11.4. Potoki 393 11.4.1. Prosty potok 393 11.4.2. Bardziej skomplikowany potok 394 11.5. Potoki i dostrajanie całego procesu 395 CZĘŚĆ IV. ZWIĘKSZANIE ZŁOŻONOŚCI 399 Rozdział 12. Łączenie mechanizmów uczących się 401 12.1. Zespoły 401 12.2. Zespoły głosujące 404 12.3. Bagging i lasy losowe 404 12.3.1. Technika bootstrap 404 12.3.2. Od techniki bootstrap do metody bagging 408 12.3.3. Przez losowy las 410 12.4. Boosting 412 12.4.1. Szczegółowe omówienie boostingu 413 12.5. Porównywanie metod opartych na zespołach drzew 415 Rozdział 13. Modele z automatyczną inżynierią cech 423 13.1. Wybieranie cech 425 13.1.1. Filtrowanie jednoetapowe z wybieraniem cech na podstawie miar 426 13.1.2. Wybieranie cech na podstawie modelu 437 13.1.3. Integrowanie wybierania cech z potokiem procesu uczenia 440 13.2. Tworzenie cech za pomocą jąder 441 13.2.1. Powód używania jąder 441 13.2.2. Ręczne metody wykorzystujące jądra 446 13.2.3. Metody wykorzystujące jądro i opcje jądra 450 13.2.4. Klasyfikatory SVC dostosowane do jądra - maszyny SVM 454 13.2.5. Uwagi do zapamiętania na temat maszyn SVM i przykładów 456 13.3. Analiza głównych składowych - technika nienadzorowana 457 13.3.1. Rozgrzewka - centrowanie 458 13.3.2. Znajdowanie innej najlepszej linii 459 13.3.3. Pierwsza analiza głównych składowych 461 13.3.4. Analiza głównych składowych od kuchni 463 13.3.5. Wielki finał - uwagi na temat analizy głównych składowych 469 13.3.6. Analiza głównych składowych dla jądra i metody oparte na rozmaitościach 470 Rozdział 14. Inżynieria cech dla dziedzin - uczenie specyficzne dla dziedziny 481 14.1. Praca z tekstem 482 14.1.1. Kodowanie tekstu 484 14.1.2. Przykład maszynowego klasyfikowania tekstu 488 14.2. Klastrowanie 490 14.2.1. Klastrowanie metodą k-średnich 491 14.3. Praca z obrazami 492 14.3.1. Worek słów graficznych 492 14.3.2. Dane graficzne 493 14.3.3. Kompletny system 494 14.3.4. Kompletny kod transformacji obrazów na postać WGSG 501 Rozdział 15. Powiązania, rozwinięcia i kierunki dalszego rozwoju 507 15.1. Optymalizacja 507 15.2. Regresja liniowa z prostych składników 510 15.2.1. Graficzne ujęcie regresji liniowej 513 15.3. Regresja logistyczna z prostych składników 514 15.3.1. Regresja logistyczna i kodowanie zerojedynkowe 515 15.3.2. Regresja logistyczna z kodowaniem plus jeden - minus jeden 517 15.3.3. Graficzne ujęcie regresji logistycznej 518 15.4. Maszyna SVM z prostych składników 518 15.5. Sieci neuronowe 520 15.5.1. Regresja liniowa za pomocą sieci neuronowych 521 15.5.2. Regresja logistyczna za pomocą sieci neuronowych 523 15.5.3. Poza podstawowe sieci neuronowe 524 15.6. Probabilistyczne modele grafowe 525 15.6.1. Próbkowanie 527 15.6.2. Regresja liniowa za pomocą modelu PGM 528 15.6.3. Regresja logistyczna za pomocą modelu PGM 531 15.7. Koniec rozdziału 534 Dodatek A. Kod z pliku mlwpy.py 537

Sygnatura czytelni BWEAiI: XII Ł 176

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 150202 (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 149872 N (1 egz.)

Brak okładki

Książka

W koszyku

Vyčislitelʹnye mašiny i čelovečeskij razum / D. Fink ; perevod s anglijskogo R. V. Možarova i È. L. Nappelʹbauma ; pod redakciej i s predisloviem A. V. Šilejko. - Moskva : Izdatel'stvo "Mir", 1967. - 295 stron : ilustracje ; 20 cm.

(V Mire Nauki i Tehniki)

Autor

Fink Donald G. (1911-1996). Nappelʹbaum Èrik Lʹvovič $d (1936- ). Šilejko Aleksej Vol'demarovič. Možarov R. V.

Temat

Komputery. Sztuczna inteligencja.

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Magazyn

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 9036 (1 egz.)

Książka

W koszyku

Prawo sztucznej inteligencji i nowych technologii / redakcja naukowa Bogdan Fischer, Adam Pązik, Marek Świerczyński ; [autorzy] Paweł du Vall, Karolina Dziedzic, Paweł Fajgielski, Bogdan Fischer, Agata Frankowska, Marcin Górski, Agnieszka Hajos-Iwańska, Marlena Jankowska, Kazimiera Juszka, Justyna Kania, Kaja Kowalczewska, Grzegorz Kozieł, Karina Kunc-Urbańczyk, Dominik Lubasz, Marcin Mazgaj, Arkadiusz Michalak, Bartosz Pawlik, Adam Pązik, Ewa Aleksandra Płocha, Anna Podolska, Łukasz Rąb, Piotr Rodzik, Andrzej Sadłowski, Anna Młynarska-Sobaczewska, Ida Skubis, Kamil Szpyt, Marek Świerczyński, Elżbieta Traple, Bohdan Widła, Marcin Wielec, Zbigniew Więckowski, Łukasz Żarnowiec. - Stan prawny na 1 listopada 2021 r. - Warszawa : Wolters Kluwer, 2021. - 519 stron : ilustracje, wykresy ; 22 cm.

Autor

Fischer Bogdan Pązik Adam Świerczyński Marek Vall Paweł du Dziedzic Karolina Fajgielski Paweł (1972- ) Frankowska Agata Górski Marcin (prawo) Hajos-Iwańska Agnieszka Jankowska Marlena (prawnik) Juszka Kazimiera Kania Justyna (prawo) Kowalczewska Kaja Kozieł Grzegorz (prawnik) Kunc-Urbańczyk Karina Lubasz Dominik Mazgaj Marcin Michalak Arkadiusz (1978- ) Pawlik Bartosz Płocha Ewa (1984- ) Podolska Anna (prawnik) Rąb Łukasz Rodzik Piotr (mechanika) Sadłowski Andrzej Sakowska-Baryła Marlena Skubis Ida Szpyt Kamil Traple Elżbieta (1947-2021) Widła Bohdan Wielec Marcin (1977- ) Więckowski Zbigniew (prawnik) Żarnowiec Łukasz

Forma i typ

Książki Publikacje fachowe Publikacje naukowe

Odbiorca

Adwokaci Ekonomiści Księgowi Prokuratorzy Radcy prawni Sędziowie Urzędnicy

Temat

Prawo Prawo nowych technologii Sztuczna inteligencja Technologia informacyjna (IT)

Gatunek

Opracowanie Praca zbiorowa

Dziedzina i ujęcie

Prawo i wymiar sprawiedliwości

Bibliografia, netografia na stronach 487-519.

Dla adwokatów, radców prawnych, sędziów, prokuratorów oraz pracowników administracji rządowej i samorządowej, ekonomistów i księgowych.

PRYWATNOPRAWNE ASPEKTY OCHRONY SZTUCZNEJ INTELIGENCJI Elżbieta Traple Granice eksploracji tekstów i danych na potrzeby maszynowego uczenia się przez systemy sztucznej inteligencji Arkadiusz Michalak Projekt rozporządzenia Parlamentu UE o odpowiedzialności cywilnej za działania systemów sztucznej inteligencji – krok w dobrym kierunku czy niepotrzebne odstępstwo od zasad ogólnych? Łukasz Żarnowiec Zastosowanie przepisów konwencji wiedeńskiej z 11.04.1980 r. do umów o udostępnienie treści cyfrowych NOWE TECHNOLOGIE Z PERSPEKTYWY PRAWA PUBLICZNEGO Paweł Fajgielski Automatyczne rozpoznawanie twarzy – wybrane zagadnienia prawne Bogdan Fischer Współdzielenie danych jako niezbędny warunek rozwoju sztucznej inteligencji Marlena Sakowska-Baryła Prawo do ochrony danych osobowych a sztuczna inteligencja – aspekty konstytucyjnoprawne NOWE TECHNOLOGIE – WPŁYW NA FUNKCJONOWANIE NAUKI W SPOŁECZEŃSTWIE, KRYMINALISTYKI I WARSZTATU BIEGŁEGO Piotr Rodzik Czy sztuczna inteligencja może zostać wykorzystana przy ewaluacji osiągnięć naukowych instytucji? | Agata Frankowska, Bartosz Pawlik Przegląd osiągnięć publikacyjnych w zakresie sztucznej inteligencji na świecie – analiza bibliometryczna Ida Skubis Językoznawstwo jako bezpieczna dyscyplina dla badań nad sztuczną inteligencją Kazimiera Juszka, Karolina Dziedzic Problem uwzględnienia postępu technologicznego w legislacji kryminalistycznego fenotypowania DNA Marcin Wielec, Ewa Aleksandra Płocha Sztuczna inteligencja jako narzędzie pracy biegłego w procesie karnym OCHRONA WYTWORÓW NOWYCH TECHNOLOGII I SZTUCZNEJ INTELIGENCJI Karina Kunc-Urbańczyk Uczenie maszynowe jako pole eksploatacji utworów Bohdan Widła Kto pierwszy ten chroniony? Ekosystem zaufania i ekosystem doskonałości a ochrona rezultatów działania sztucznej inteligencji Kamil Szpyt Umowa o korzystanie ze sztucznej inteligencji Marlena Jankowska, Justyna Kania Zrównoważony rozwój. Nowa strategia biznesowa sektora mody i designu po pandemii? NOWE TECHNOLOGIE A PRAWA CZŁOWIEKA Marek Świerczyński, Zbigniew Więckowski Ramy prawne dla sztucznej inteligencji w świetle najnowszych prac Rady Europy Paweł du Vall Rada Unii Europejskiej – przegląd stanowisk w dziedzinie sztucznej inteligencji w latach 2019–2020 Marcin Górski Profilowanie a wolność wypowiedzi Anna Podolska, Łukasz Rąb (Re)wizja praw człowieka w dobie rozwoju nowych technologii. Między indywidualizmem a kolektywizmem NOWE TECHNOLOGIE JAKO NARZĘDZIA W GOSPODARCE, OCHRONIE DANYCH OSOBOWYCH I NA POLU WALKI Grzegorz Kozieł Kluczowe wymogi Wytycznych w zakresie etyki dotyczących godnej zaufania sztucznej inteligencji oraz wymogi prawne dotyczące zastosowań sztucznej inteligencji zawarte w Białej Księdze w sprawie sztucznej inteligencji a podstawy budowania ekosystemu zaufania dla sztucznej inteligencji w obszarze prawa korporacyjnego Andrzej Sadłowski Sztuczna inteligencja jako system predykcyjny Agnieszka Hajos-Iwańska Sztuczna inteligencja jako uczestnik obrotu gospodarczego Marcin Mazgaj Samozarządzające spółki oparte na sztucznej inteligencji. Analiza z uwzględnieniem problematyki „spółki bez wspólnika” w świetle rozwoju autonomicznych systemów w prawie korporacyjnym Dominik Lubasz Projektowanie rozwiązań wykorzystujących sztuczną inteligencję z uwzględnieniem wymogów data protection by design Adam Pązik Roszczenie(?) z art. 79 RODO jako środek ochrony przed bezprawnym przetwarzaniem danych osobowych z wykorzystaniem nowych technologii Kaja Kowalczewska Unia Europejska wobec autonomicznych systemów śmiercionośnej broni – znacząca ludzka kontrola jako fundament wiarygodnej sztucznej inteligencji

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 152030 N (1 egz.)

Brak okładki

Książka

W koszyku

Sztuczna inteligencja, blockchain, cyberbezpieczeństwo oraz dane osobowe : zagadnienia wybrane / redakcja Kinga Flaga-Gieruszyńska, Jacek Gołaczyński, Dariusz Szostek ; autorzy Arkadiusz Bieliński, Kamil Czaplicki, Maria Dymitruk, Wojciech Filipkowski, Jacek Gołaczyński, Łukasz Goździaszek, Berenika Kaczmarek-Templin, Anna Kościółek, Paweł Litwiński, Dominik Lubasz, Monika Namysłowska, Zbigniew Okoń, Przemysław Polański, Marcin Rojszczak, Dariusz Szostek, Grażyna Szpor, Kamil Szpyt, Marek Świerczyński, Marcin Uliasz, Wojciech Rafał Wiewiórowski, Iwona Zużewicz-Wiewiórowska. - Warszawa : Wydawnictwo C. H. Beck, 2019. - XLIII, [1], 245 stron : ilustracje, wykresy ; 24 cm.

Autor

Flaga-Gieruszyńska Kinga (1973- ) Gołaczyński Jacek (1966- ) Szostek Dariusz Bieliński Arkadiusz K. Czaplicki Kamil Dymitruk Maria Filipkowski Wojciech Goździaszek Łukasz Kaczmarek-Templin Berenika Kościółek Anna (prawo) Litwiński Paweł (prawo) Lubasz Dominik Namysłowska Monika Okoń Zbigniew (radca prawny) Polański Przemysław Rojszczak Marcin Szpor Grażyna Szpyt Kamil. Świerczyński Marek Uliasz Marcin Wiewiórowski Wojciech Rafał (1971- ) Zużewicz-Wiewiórowska Iwona.

Forma i typ

Książki Publikacje naukowe

Temat

Bezpieczeństwo teleinformatyczne Prawo komputerowe Prawo nowych technologii Sztuczna inteligencja

Gatunek

Praca zbiorowa

Dziedzina i ujęcie

Prawo i wymiar sprawiedliwości

Rozdziały lub artykuły tej książki skatalogowano pod własnymi tytułami. Dostępne pod tytułem pracy zbiorowej.

Bibliografia, netografia, wykaz aktów prawnych na stronach XV-XLIII. Indeks.

Prawne aspekty systemów sztucznej inteligencji – zarys problemu (dr Marcin Rojszczak) Sztuczna inteligencja jako sztuczna osoba prawna (dr SSR Marcin Uliasz) IBAC (IoT, Blockchain, AI i Cyberbezpieczeństwo) – samoregulacja kodów czy kontrola uprzednia? (prof. UO dr hab. r.pr. Dariusz Szostek) Elektroniczny sąd a sztuczna inteligencja w prawie polskim (r.pr. Maria Dymitruk, prof. dr hab. SSA Jacek Gołaszyński) Potencjalne obszary zastosowania sztucznej inteligencji w postępowaniu cywilnym – czy obecnie ma to rację bytu i czy jesteśmy na takie rozwiązania gotowi? (dr Arkadiusz Bieliński) Wykorzystanie sztucznej inteligencji w sądowym postępowaniu cywilnym – zagadnienia wybrane (dr Anna Kościółek) Sztuczna inteligencja i nowe technologie (nie zawsze) w służbie ludzkości, czyli cywilnoprawna problematyka rozwoju i popularyzacji technologii deepfake (dr r.pr. Kamil Szpyt) Deepfake i jego walor dowodowy w procesach cywilnych (dr Berenika Kaczmarek-Templin) Wykorzystanie utworów dla potrzeb głębokiego uczenia w świetle europejskiego prawa autorskiego (dr r.pr. Zbigniew Okoń) Zasady wyboru i wdrażania aplikacji i usług inteligentnych systemów transportowych (ITS) (dr adw. Łukasz Goździaszek) Konosament a blockchain. Możliwości wykorzystania technologii rozproszonego rejestru dla celów „elektronicznego indosu” przy przenoszeniu praw z papierów wartościowych na zlecenie (dr Wojciech Rafał Wiewiórowski, dr Iwona Zużewicz-Wiewiórowska) Cyber Threat Intelligence – analiza wybranych aspektów prawnych (prof. UwB dr hab. Wojciech Filipkowski) Wytyczne Rady Europy w sprawie dowodów elektronicznych w postępowaniach cywilnych i administracyjnych – komentarz konsultanta (prof. UKSW dr hab. Marek Świerczyński) Nowe i stare wyzwania dotyczące zwalczania bezprawnych treści w Internecie (prof. ALK dr hab. r.pr. Przemysław Polański) (prawie) Rok z RODO – gdzie jesteśmy i dokąd zmierzamy? (dr adw. Paweł Litwiński) Zasady dotyczące przetwarzania danych osobowych a sztuczna inteligencja w kontekście europejskim (dr r.pr. Dominik Lubasz, prof. UŁ dr hab. Monika Namysłowska) System cyberbezpieczeństwa w e-administracji (dr Kamil Czaplicki, prof. UKSW dr hab. Grażyna Szpor) Cyberbezpieczeństwo w Polsce: ochrona urządzeń końcowych przed cyberatakami. Analiza sytuacji i rekomendacje działań (raport przygotowany przez Cyfrowa Polska)

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 149082 N (1 egz.)

Brak okładki

Książka

W koszyku

Wstęp do sztucznej inteligencji / Mariusz Flasiński. - Warszawa : Wydawnictwo Naukowe PWN, 2011. - XII, 331 s. : il. ; 25 cm.

Autor

Flasiński Mariusz (1960- ).

Temat

Sztuczna inteligencja.

Gatunek

Podręczniki

Bibliogr. s. [306]-320. Indeks.

Dla studentów informatyki, kognitywistyki.

Sygnatura czytelni BWEAiI: XII A 79

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 129628 N (1 egz.)

Książka

W koszyku

Optimum 2.0 : idea cyberpsychologii pozytywnej / Paweł Fortuna. - Wydanie drugie, rozszerzone. - Warszawa : PWN, 2023. - XXI, 357, [2] strony : fotografia, ilustracje ; 21 cm.

Autor

Fortuna Paweł

Forma i typ

Książki Publikacje popularnonaukowe

Temat

Cyberpsychologia Psychologia pozytywna Społeczeństwo globalne Sztuczna inteligencja Umysł

Gatunek

Opracowanie

Dziedzina i ujęcie

Psychologia

Bibliografia, netografia na stronach 317-[346]. Indeks.

1.Optymalna perspektywa Kontekst: paralelne projekty Umysły w systemie Jak system naturalny przekształca się w hybrydowy? Cyberdreszczowiec ze światełkiem w tunelu Cyberpsychologia pozytywna 2.Optymalne systemy hybrydowe Kontekst: od „smart" do „well" Pozytywne systemy Optymalne funkcjonowanie Intelektualny kapitał założycielski Perspektywa scalająca Czas na „well" 3.Optymalna znajomość rzeczy Kontekst: humanika Sztuczna inteligencja w naszych umysłach Jak pojmujemy świat? Eksperci i laicy Meandry wiedzy Populacja sztucznych agentów Przełomowa innowacja 4.Optymalne interakcje Kontekst: od interakcji do satysfakcji Miara wszechrzeczy Umysły w oku patrzącego Na obraz i podobieństwo 5.Optymalne wzmocnienie Kontekst: atrakcyjny artefakt Kreatywność (cnota: mądrość i wiedza) Dzielność (cnota: odwaga) Dobroć (cnota: człowieczeństwo) Przywództwo (cnota: sprawiedliwość) Pokora (cnota: umiar) Nadzieja (cnota: transcendencja)

brak informacji o dostępności

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

w opracowaniu: sygn. 155553 N (1 egz.)

Książka

W koszyku

Optimum : idea cyberpsychologii pozytywnej / Paweł Fortuna. - Wydanie pierwsze. - Warszawa : Wydawnictwo Naukowe PWN, 2021. - 240, [1] strona : ilustracje ; 21 cm.

Autor

Fortuna Paweł (1970- ).

Forma i typ

Książki Publikacje naukowe

Temat

Psychologia pozytywna Sztuczna inteligencja Cyberpsychologia Cywilizacja Innowacje Sieci neuronowe Nowe media (komunikacja)

Gatunek

Opracowanie Raport z badań

Dziedzina i ujęcie

Psychologia Nauka i badania Socjologia i społeczeństwo

Bibliografia na stronach 213-230. Indeks.

Optymalna perspektywa Kontekst: paralelne projekty Projekt pozytywny: człowiek szczęśliwy Projekt niepokojący: sztuczna inteligencja Projekt osobliwy: postczłowiek Umysły w systemie Systemy naturalne Systemy sztuczne Systemy hybrydowe Jak system naturalny przekształca się w hybrydowy? Cyberdreszczowiec ze światełkiem w tunelu Cyberpsychologia pozytywna Optymalne funkcjonowanie Pozytywne systemy Kierunki badań Wymiar praktyczny Optymalna znajomość rzeczy Kontekst: humanika Sztuczna inteligencja w naszych umysłach Jak pojmujemy świat? Eksperci i laicy Meandry wiedzy Akademickie rozterki Naturalnie, że sztuczna Uczeń zdolny i nieleniwy Diagnostyka inteligencji Populacja sztucznych agentów Imitatory Amplifikatory Realizatory Przełomowa innowacja Optymalne interakcje Kontekst: od interakcji do satysfakcji Miara wszechrzeczy Umysły w oku patrzącego Na obraz i podobieństwo Człekokształtność SI sapiens Humanoidalny afekt Personifikacja ról Projekcje intencjonalności Optymalne wzmocnienie Kontekst: atrakcyjny artefakt Kreatywność (cnota: mądrość i wiedza) Przypadek Neila Harbissona Wzmacniacze kreatywności Dzielność (cnota: odwaga) Sparing z mocnym adwersarzem Tytani sprawności Wyzwalanie dzielności Dobroć (cnota: człowieczeństwo) Technologiczne zachęty Dobroć jest dobra Kwant życzliwości Więcej niż kliknięcie Siła globalnej wioski Przywództwo (cnota: sprawiedliwość) Dylemat partycypacji Pułapka uległości Przywództwo zasilane przez Big Data Lider hybrydowej ewolucji Pokora (cnota: umiar) Moc autoweryfikacji Pokonani przez SI Sieci jedynie neuropodobne Kwantyfikowanie Ja Spojrzenie w lustro 3D Nadzieja (cnota: transcendencja)

Sygnatura czytelni BWEAiI: XII Ą 126

dostępna do wypożyczenia

Ta pozycja znajduje się w zbiorach 2 placówek. Rozwiń listę, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 151500 N (1 egz.)

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 151499 N (1 egz.)

Książka

W koszyku

Inżynieria danych na platformie AWS : jak tworzyć kompletne potoki uczenia maszynowego / Chris Fregly, Antje Barth ; przekład: Tomasz Walczak. - Gliwice : Helion, © 2022. - 470, [2] strony : ilustracje, wykresy ; 24 cm.

Autor

Fregly Chris Barth Antje Walczak Tomasz

Forma i typ

Książki Publikacje fachowe

Odbiorca

Analitycy danych Programiści

Temat

Amazon (platforma internetowa) Aplikacja internetowa Data science Przetwarzanie w chmurze Sztuczna inteligencja Uczenie maszynowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

W książce także ISBN oryginału.

1.Wprowadzenie do danologii na platformie AWS Zalety przetwarzania w chmurze Potoki i procesy w danologii Zalecane praktyki z obszaru MLOps Usługi SI Amazona i zautomatyzowane uczenie maszynowe w narzędziu Amazon SageMaker Pobieranie, eksploracja i przygotowywanie danych na platformie AWS Uczenie i dostrajanie modelu za pomocą narzędzia Amazon SageMaker Instalowanie modeli za pomocą usługi Amazon SageMaker i funkcji AWS Lambda Analizy i uczenie maszynowe dla strumieni danych na platformie AWS Infrastruktura platformy AWS i niestandardowy sprzęt Ograniczanie kosztów za pomocą tagów, budżetów i alertów 2.Zastosowania danologii Innowacje w każdej branży Spersonalizowane rekomendacje produktów Wykrywanie niestosownych materiałów wideo za pomocą usługi Amazon Rekognition Prognozowanie zapotrzebowania Identyfikowanie fałszywych kont za pomocą usługi Amazon Fraud Detector Używanie usługi Amazon Macie do wykrywania wycieków wrażliwych danych Urządzenia konwersacyjne i asystenci głosowi Analiza tekstu i NLP Wyszukiwanie kognitywne i rozumienie języka naturalnego Inteligentne centra obsługi klienta Przemysłowe usługi SI i konserwacja predykcyjna Automatyzacja domu za pomocą narzędzi AWS IoT i Amazon SageMaker Pobieranie informacji medycznych z dokumentów służby zdrowia Samooptymalizująca i inteligentna infrastruktura chmury Kognitywna i predyktywna analityka biznesowa Edukacja następnego pokolenia programistów SI i UM Zaprogramuj naturalny system operacyjny za pomocą przetwarzania kwantowego Wzrost wydajności i obniżenie kosztów 3.Zautomatyzowane uczenie maszynowe Zautomatyzowane uczenie maszynowe w usłudze SageMaker Autopilot Śledzenie wyników eksperymentów za pomocą usługi SageMaker Autopilot Uczenie i instalowanie klasyfikatora tekstu za pomocą usługi SageMaker Autopilot Zautomatyzowane uczenie maszynowe w usłudze Amazon Comprehend 4.Pobieranie danych do chmury Jeziora danych Kierowanie zapytań do jeziora danych w S3 za pomocą usługi Amazon Athena Ciągłe pobieranie nowych danych za pomocą narzędzia AWS Glue Crawler Stosowanie architektury Lake House za pomocą usługi Amazon Redshift Spectrum Wybór między narzędziami Amazon Athena a Amazon Redshift 5.Eksplorowanie zbioru danych Narzędzia do eksplorowania danych w AWS Wizualizowanie jeziora danych w środowisku SageMaker Studio Zapytania dotyczące hurtowni danych Tworzenie paneli kontrolnych za pomocą usługi Amazon CjuickSight Wykrywanie problemów z jakością danych za pomocą narzędzi Amazon SageMaker i Apache Spark Wykrywanie tendencyjności w zbiorze danych Wykrywanie zmian różnego rodzaju za pomocą usługi SageMaker Clarify Analizowanie danych za pomocą usługi AWS Glue DataBrew Zmniejszanie kosztów i zwiększanie wydajności 6.Przygotowywanie zbioru danych do uczenia modelu Wybieranie i inżynieria cech Skalowanie inżynierii cech za pomocą zadań SageMaker Processing Udostępnianie cech za pomocą repozytorium cech z platformy SageMaker Wczytywanie i przekształcanie danych w usłudze SageMaker Data Wrangler Śledzenie historii artefaktów i eksperymentów na platformie Amazon SageMaker Wczytywanie i przekształcanie danych za pomocą usługi AWS Glue DataBrew 7.Uczenie pierwszego modelu Infrastruktura platformy SageMaker Instalowanie wyuczonego modelu BERT za pomocą usługi SageMaker JumpStart Tworzenie modelu w platformie SageMaker Krótka historia przetwarzania języka naturalnego Architektura Transformer w algorytmie BERT Uczenie modelu BERT od podstaw Dostrajanie wstępnie wyuczonego modelu BERT Tworzenie skryptu uczenia Uruchamianie skryptu uczenia w usłudze SageMaker Notebook Ocena modeli Debugowanie i profilowanie procesu uczenia modelu w usłudze SageMaker Debugger Interpretowanie i wyjaśnianie predykcji modelu Wykrywanie tendencyjności modelu i wyjaśnianie predykcji Dodatkowe metody uczenia algorytmu BERT 8.Uczenie i optymalizowanie modeli na dużą skalę Automatyczne znajdowanie optymalnych hiperparametrów dla modelu Stosowanie ciepłego startu dla dodatkowych zadań dostrajania hiperparametrów na platformie SageMaker Skalowanie poziome uczenia rozproszonego na platformie SageMaker 9.Instalowanie modeli w środowisku produkcyjnym Predykcje w czasie rzeczywistym czy w trybie wsadowym? Generowanie predykcji w czasie rzeczywistym za pomocą punktów końcowych platformy SageMaker Automatyczne skalowanie punktów końcowych platformy SageMaker za pomocą usługi Amazon CloudWatch Strategie instalowania nowych i zaktualizowanych modeli Testowanie i porównywanie nowych modeli Monitorowanie pracy modelu i wykrywanie zmian Monitorowanie jakości danych w punktach końcowych platformy SageMaker Monitorowanie jakości modelu w zainstalowanych punktach końcowych platformy SageMaker Monitorowanie zmian tendencyjności w zainstalowanych punktach końcowych platformy SageMaker Monitorowanie zmian wkładu cech w zainstalowanych punktach końcowych platformy SageMaker Wsadowe generowanie predykcji za pomocą usługi przekształcania wsadowego na platformie SageMaker Funkcje AWS Lambda i usługa Amazon API Gateway Optymalizowanie modeli i zarządzanie nimi na obrzeżach sieci Instalowanie modelu opartego na platformie PyTorch za pomocą narzędzia TorchServe Generowanie predykcji przez algorytm BERT oparty na platformie TensorFlow na platformie AWS Deep Java Library 10.Potoki i MLOps MLOps Potoki programowe Potoki uczenia maszynowego Koordynowanie potoku za pomocą usługi SageMaker Pipelines Automatyzacja w usłudze SageMaker Pipelines Inne sposoby tworzenia potoków Procesy z udziałem człowieka 11.Analizy i uczenie maszynowe dla danych przesyłanych strumieniowo Uczenie w trybach online i offline Aplikacje strumieniowe Zapytania oparte na oknach dotyczące strumieniowanych danych Analiza i uczenie maszynowe na podstawie strumieni na platformie AWS Klasyfikowanie recenzji produktów w czasie rzeczywistym za pomocą narzędzi Amazon Kinesis, AWS Lambda i Amazon SageMaker Implementowanie pobierania strumieniowanych danych za pomocą usługi Kinesis Data Firehose Podsumowywanie recenzji produktów w czasie rzeczywistym na podstawie analizy strumienia Konfigurowanie usługi Amazon Kinesis Data Analytics Aplikacje w usłudze Kinesis Data Analytics Klasyfikowanie recenzji produktów za pomocą narzędzi Apache Kafka, AWS Lambda i Amazon SageMaker 12. Bezpieczna danologia na platformie AWS Model podziału odpowiedzialności między platformę AWS i klientów Korzystanie z usługi IAM na platformie AWS Izolacja środowisk obliczeniowych i sieciowych Zabezpieczanie dostępu do danych w S3 Szyfrowanie danych w spoczynku Szyfrowanie danych w tranzycie Zabezpieczanie instancji z notatnikami platformy SageMaker Zabezpieczanie środowiska SageMaker Studio Zabezpieczanie zadań i modeli platformy SageMaker Zabezpieczanie usługi AWS Lake Formation Zabezpieczanie danych uwierzytelniających do bazy za pomocą AWS Secrets Manager Nadzór Audytowalność

dostępna do wypożyczenia

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Wypożyczalnia

Są egzemplarze dostępne do wypożyczenia: sygn. 153017 N (1 egz.)