Савремена вештачка интелигенција за четврти разред специјализованих ИТ одељења
Садржај
Увод
Савремена вештачка интелигенција
Да ли машина може да мисли?
Области вештачке интелигенције
Уска, општа и супер интелигенција
Програмирање вођено подацима
Пример програмирања вођеног подацима
Зашто нам је потребно програмирање вођено подацима?
Основни појмови машинског учења
Врсте машинског учења
Hands-on зона
Jupyter свеске за вежбу
Платформа Google Colab
Библиотеке NumPy, Matplotlib и Pandas
Улога података
Подаци
Како настају скупови података?
Популарни скупови података
Јавно доступни скупови података
Припрема података
Експлоративна анализа скупа података
Креирање репрезентације скупа података
Скупови за тренирање, валидацију и тестирање
Линеарна регресија
Модел линеарне регресије
Градијентни спуст
Оцењивање модела линеарне регресије
Вишеструка линеарна регресија
Класификација
Задатак класификације
Како оцењујемо модел класификације?
Логистичка регресија
Алгоритам к-најближих суседа
Хиперпараметри
Преприлагођавање
Генерализација, потприлагођавање и преприлагођавање
Унакрсна валидација
Регуларизација
Неуронске мреже - увод
Неуронске мреже
Обучавање неуронских мрежа
TensorFlow Playground
Неуронске мреже - врсте и примена
Учење репрезентације података
Конволутивне неуронске мреже
Рекурентне неуронске мреже
Механизам пажње и трансформери
Кластеровање
Кластеровање
Алгоритам к-средина
Одређивање броја кластера
Друштвено битни аспекти развоја вештачке интелигенције
Друштвено битни аспекти развоја вештачке интелигенције

Улога података

Претходна лекција Следећа лекција
(Created using Swinx, RunestoneComponents and PetljaDoc)
© 2022 Petlja
A- A+