亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

過去的十年見證了人工智能和機器學習(AI/ML)技術的廣泛采用。

然而，由于缺乏對其廣泛實施的監督，導致了有害的結果，而這些結果本可以通過適當的監督避免。在我們認識到AI/ML的真正好處之前，從業者必須了解如何減輕其風險。本書描述了負責任的人工智能，這是一種基于風險管理、網絡安全、數據隱私和應用社會科學的最佳實踐，用于改進AI/ML技術、業務流程和文化能力的整體方法。這是一項雄心勃勃的事業，需要各種各樣的人才、經驗和視角。需要招募數據科學家和非技術監督人員，并授權他們審計和評估高影響力的AI/ML系統。作者Patrick Hall為新一代審計師和評估人員創建了本指南，他們希望讓AI系統更好地為組織、消費者和廣大公眾服務。

• 學習如何創建一個成功的、有影響力的負責任的人工智能實踐
• 獲取采用人工智能技術的現有標準、法律和評估指南
• 看看公司現有的角色是如何演變為包含負責任的人工智能的
• 研究實施負責任人工智能的商業最佳實踐和建議
• 在系統開發的所有階段學習負責任的人工智能的技術方法

如今，機器學習(ML)是人工智能(AI)中最具商業可行性的子學科。ML系統被用于在就業、保釋、假釋、貸款和世界各地的許多其他應用中做出高風險決策。在企業環境中，ML系統用于組織的所有部分——從面向消費者的產品到員工評估、后臺辦公自動化等等。事實上，過去十年帶來了ML技術的廣泛采用。但它也證明了ML會給運營商和消費者帶來風險。不幸的是，就像幾乎所有其他技術一樣，ML可能會失敗——無論是由于無意的誤用還是故意的濫用。截至目前，人工智能事件數據庫伙伴關系擁有超過1000份關于算法歧視、數據隱私侵犯、訓練數據安全漏洞和其他有害故障的公開報告。在組織和公眾能夠意識到這項令人興奮的技術的真正好處之前，必須減輕這些風險。直到今天，這仍然需要人們的行動——不僅僅是技術人員。解決復雜的ML技術帶來的各種風險需要不同的人才、經驗和觀點。這種整合了技術實踐、業務流程和文化能力的整體風險緩解方法，正被稱為負責任的人工智能。

讀完本書，讀者將了解負責任人工智能的文化能力、業務流程和技術實踐。本書分為三個部分，呼應負責任人工智能的每個主要方面。本書的每一部分都進一步分成幾章，討論特定的主題和案例。雖然本書仍在規劃和編寫中，但《面向高風險應用的機器學習》將以介紹這個主題開始，然后進入第1部分。下面是本書的初步提綱。

第1部分:人類的觸覺——負責任的機器學習的文化能力

第一部分針對的是組織文化在更廣泛的負責任人工智能實踐中的重要性。第一部分第一章的計劃涉及呼吁停止快速前進和破壞事物，重點是眾所周知的AI系統故障以及相關的詞匯和案例。第2章將分析消費者保護法、風險管理模型，以及其他指導方針、教訓和案例，這些對人工智能組織和系統中培養問責制很重要。第3章將探討團隊、組織結構和人工智能評估器的概念。第4章將討論人類與AI系統進行有意義交互的重要性，第5章將詳細介紹傳統組織約束之外的重要工作方式，如抗議、數據新聞和白帽黑客。

第2部分:為成功做準備——負責任的機器學習的組織過程關注點

第二部分將介紹負責任的人工智能過程。它將從第6章開始，探索組織策略和過程如何影響人工智能系統的公平性，以及令人吃驚的公平性缺失。第7章將概述人工智能系統的常見隱私和安全政策。第8章將考慮管理在美國部署人工智能的現有和未來法律和法規。第9章將強調AI系統的模型風險管理的重要性，但也指出了一些缺點。最后，第10章的藍圖是討論在未來負責任的人工智能采用的背景下，企業如何聽取過去對社會和環境責任的呼吁。

第三部分: 增強人類信任和理解的技術方法

第三部分的議程涵蓋了負責任人工智能的新興技術生態系統。第11章將介紹實驗設計的重要科學，以及當代數據科學家如何在很大程度上忽視了它。第12章將總結提高人工智能透明度的兩種主要技術:可解釋的機器學習模型和事后可解釋的人工智能(XAI)。第13章計劃深入探討機器學習模型的偏差測試和補救的世界，并應該解決傳統的和緊急的方法。第14章將介紹ML算法和AI系統的安全性，第15章將結束第3部分，廣泛討論AI系統的安全性和性能測試，有時也稱為模型調試。

在過去的幾年中，深度學習的研究進展迅速。框架和庫不斷地被開發和更新。然而，我們仍然缺乏關于如何服務、部署和擴展深度學習模型的標準化解決方案。深度學習基礎設施還不是很成熟。這本書積累了一套關于如何構建魯棒和可擴展的機器學習應用程序的最佳實踐和方法。它涵蓋了從數據處理和訓練到部署和維護的整個生命周期。它將幫助您了解如何將軟件社區中普遍接受和應用的方法轉移到深度學習項目中。對于沒有什么軟件背景的研究人員，沒有多少機器學習經驗的軟件工程師，或者有抱負的機器學習工程師來說，這是一個很好的選擇。

構建、訓練、部署、擴展和維護深度學習模型。通過實際示例了解ML基礎結構和MLOps。

你會學到什么?

編寫深度學習代碼的最佳實踐 如何單元測試和調試機器學習代碼 如何構建和部署有效的數據管道 如何為深度學習模型服務 如何部署和擴展應用程序 什么是MLOps以及如何構建端到端管道 這本書是給誰看的? 從深度學習開始的軟件工程師 軟件工程背景有限的機器學習研究人員 尋求加強知識的機器學習工程師 希望生產模型并構建面向客戶的應用程序的數據科學家 你將使用什么工具?

Tensorflow, Flask, uWSGI, Nginx, Docker, Kubernetes, Tensorflow Extended，谷歌Cloud, Vertex AI

模擬和合成是未來人工智能和機器學習的核心部分。想想看: 程序員、數據科學家和機器學習工程師可以在沒有汽車的情況下創造出自動駕駛汽車的大腦。您不需要使用來自真實世界的信息，而是可以使用模擬來合成人工數據來訓練傳統的機器學習模型。這僅僅是個開始。

通過這本實用的書，您將探索基于模擬和綜合的機器學習和人工智能的可能性，專注于深度強化學習和模仿學習技術。AI和ML越來越受數據驅動，而模擬是釋放它們全部潛力的強大而吸引人的方式。

//www.oreilly.com/library/view/practical-simulations-for/9781492089919/

你將學習如何:

使用Unity引擎模擬設計一種解決ML和AI問題的方法 使用游戲引擎合成圖像作為訓練數據 創建模擬環境，設計用于訓練深度強化學習和模仿學習模型 使用和應用高效的通用算法，以模擬為基礎的ML，如近端策略優化 使用不同的方法訓練各種ML模型 使ML工具與行業標準的游戲開發工具一起工作，使用PyTorch和Unity ML- agents和Perception工具包。

本書分為三個部分。

第一部分，“模擬和合成的基礎”，介紹了模擬和合成的主題，并使您在輕輕地基于每個簡單的活動。

第二部分，“為了樂趣和利潤而模擬世界”，致力于模擬。這是書中最重要的部分，因為模擬是一個比綜合大得多的主題。在本部分中，我們將幾乎一步一步地完成一系列模擬活動，并在此過程中構建額外的概念和方法。在本部分結束時，您將通過模擬了解到許多不同的路徑。

第三部分，“合成數據，真實結果”，致力于合成。這是一個比模擬小得多的部分，但仍然至關重要。您將學習使用Unity創建合成數據的基礎知識，到最后，您將具備基本的任何類型的合成您可能需要。

這本書集中在使用企業框架和技術的人工智能的應用方面。本書在本質上是應用的，將使讀者具備交付企業ML技術所需的技能和理解。它將對人工智能和數據科學等學科的本科生和研究生，以及從事數據分析和機器學習任務的工業從業者有價值。這本書涵蓋了該領域的所有關鍵概念方面，并為所有感興趣的方面提供了一個基礎來開發他們自己的人工智能應用程序。

//link.springer.com/book/10.1007/978-3-031-04420-5

我們現在開始看到人工智能(AI)在各行各業的廣泛使用。從家庭中的Alexa到未來無人駕駛汽車的承諾。人工智能的許多方面已經從純理論領域過渡到應用領域。因此，不像傳統的大學課程，這本書提供了一個介紹性的指南，那些希望pick up AI，并應用它解決現實世界的問題。我們從未見過圍繞人工智能應用的這么多框架。隨著谷歌、微軟(Microsoft)、IBM、Facebook和英偉達(NVidia)等許多大型組織提供了廣泛的人工智能技術，隨著我們繼續看到人工智能的發展，爭奪市場份額的競賽正在展開。這意味著大大小小的企業都在越來越多地尋求使用這些技術來開始開發解決方案，以解決他們自己獨特的問題。這本書是及時的，因為它的根本目標是彌合組織提供的良好支持框架與任何有學習應用AI愿望的人之間的差距。

本書將為您提供必要的工具，以快速跟蹤端到端人工智能解決方案的發展。這將幫助你構建AI系統來解決古老的問題，甚至生成具有重大和深遠影響的新產品。對于任何正在考慮從事人工智能職業的人來說，現在是最好的開始時機。這本書將向你展示如何使用Scikit-Learn等框架開發傳統AI應用程序，并向你介紹使用谷歌、TensorFlow Serving和Docker的TensorFlow框架進行深度學習(DL)。傳統的機器學習框架將使用RAPIDS進行擴展，以展示如何加速機器學習管道以加快模型部署。這本書將介紹DL算法的深入概念，如卷積神經網絡(CNNs)，長期短期記憶(LSTM)網絡，自動編碼器(AE)和生成對抗神經網絡(GANs)。完成這本書，你將有必要的知識，自信地開始在應用人工智能的職業生涯。

設計和開發端到端的、生產級的計算機視覺項目，以解決真實的行業問題。這本書討論了使用PyTorch的計算機視覺算法及其應用。

這本書從計算機視覺的基礎開始:卷積神經網絡，RESNET, YOLO，數據增強，和行業中使用的其他正則化技術。然后它會給你本書中使用的PyTorch庫的一個快速的概述。之后，它將帶您通過實現圖像分類問題、目標檢測技術和遷移學習，同時訓練和運行推理。這本書涵蓋了圖像分割和異常檢測模型。并討論了計算機視覺任務中視頻處理的基本原理，將圖像放入視頻中。本書最后解釋了使用優化技術的深度學習框架的完整模型構建過程，重點介紹了模型AI的可解釋性。

讀完這本書，你將能夠使用遷移學習和PyTorch構建自己的計算機視覺項目。 你會學到什么

• 使用PyTorch解決計算機視覺中的問題。
• 實現遷移學習和執行圖像分類，目標檢測，圖像分割，和其他計算機視覺應用
• 為實際工業問題設計和開發生產級計算機視覺項目
• 解釋計算機視覺模型并解決業務問題

《數據科學與機器學習概論》的創建目標是為尋求了解數據科學的初學者、數據愛好者和經驗豐富的數據專業人士提供從頭到尾對使用開源編程進行數據科學應用開發的深刻理解。這本書分為四個部分: 第一部分包含對這本書的介紹，第二部分涵蓋了數據科學、軟件開發和基于開源嵌入式硬件的領域; 第三部分包括算法，是數據科學應用的決策引擎; 最后一節匯集了前三節中共享的概念，并提供了幾個數據科學應用程序示例。

^

1. Introductory Chapter: Clustering with Nature-Inspired Optimization Algorithms 在本章中，讀者將學習如何為聚類問題應用優化算法。

By Pakize Erdogmus and Fatih Kayaalp

2. Best Practices in Accelerating the Data Science Process in Python

By Deanne Larson

數據科學和大數據項目的數量正在增長，當前的軟件開發方法受到了挑戰，以支持和促進這些項目的成功和頻率。關于如何使用數據科學算法以及大數據的好處已經有了很多研究，但是關于可以利用哪些最佳實踐來加速和有效地交付數據科學和大數據項目的研究卻很少。大數據的數量、種類、速度和準確性等特點使這些項目復雜化。數據科學家可利用的開源技術的激增也會使情況變得復雜。隨著數據科學和大數據項目的增加，組織正在努力成功交付。本文討論了數據科學和大數據項目過程，過程中的差距，最佳實踐，以及這些最佳實踐如何在Python中應用，Python是一種常見的數據科學開源編程語言。

3. Software Design for Success By Laura M. Castro

正如人們所期望的那樣，技術書籍的大部分時間都集中在技術方面。然而，這造成了一種錯覺，即技術在某種程度上是沒有偏見的，總是中性的，因此適合每個人。后來，當產品已經存在時，現實會證明我們不是這樣的。包含和表示在設計和建模階段是至關重要的。在本章中，我們將從架構的角度分析，哪些非功能性需求是最敏感的，以及如何開始討論它們以最大限度地提高我們的軟件產品成功的可能性。

4. Embedded Systems Based on Open Source Platforms By Zlatko Bundalo and Dusanka Bundalo

5. The K-Means Algorithm Evolution By Joaquín Pérez-Ortega, Nelva Nely Almanza-Ortega, Andrea Vega-Villalobos, Rodolfo Pazos-Rangel, Crispín Zavala-Díaz and Alicia Martínez-Rebollar

6. “Set of Strings” Framework for Big Data Modeling By Igor Sheremet

7. Investigation of Fuzzy Inductive Modeling Method in Forecasting Problems By Yu. Zaychenko and Helen Zaychenko

8. Segmenting Images Using Hybridization of K-Means and Fuzzy C-Means Algorithms By Raja Kishor Duggirala

9. The Software to the Soft Target Assessment By Lucia Mrazkova Duricova, Martin Hromada and Jan Mrazek

10. The Methodological Standard to the Assessment of the Traffic Simulation in Real Time By Jan Mrazek, Martin Hromada and Lucia Duricova Mrazkova

11. Augmented Post Systems: Syntax, Semantics, and Applications By Igor Sheremet

12. Serialization in Object-Oriented Programming Languages By Konrad Grochowski, Micha? Breiter and Robert Nowak

本章描述了將對象狀態轉換為一種格式的過程，這種格式可以在當前使用的面向對象編程語言中傳輸或存儲。這個過程稱為序列化(封送處理);相反的稱為反序列化(反編組)進程。它是一種低級技術，應該考慮一些技術問題，如內存表示的大小、數字表示、對象引用、遞歸對象連接等。在本章中，我們將討論這些問題并給出解決辦法。我們還簡要回顧了當前使用的工具，并指出滿足所有需求是不可能的。最后，我們提供了一個新的支持向前兼容性的c++庫。

找到有合適技能的人。本書闡明了創建高效能數據集成團隊的最佳實踐，使您能夠理解計劃、設計和監視一次性遷移和日常集成系統的技能和需求、文檔和解決方案。

數據的增長是爆炸式的。隨著跨企業系統的多個信息源的不斷到達，將這些系統組合成一個單一的、內聚的、可記錄的單元變得比以往任何時候都更加重要。但是，與其他軟件規程相比，集成的方法有很大的不同，它要求能夠編寫代碼、協作并將復雜的業務規則分解為可伸縮的模型。

數據遷移和集成可能很復雜。在許多情況下，項目團隊將實際的遷移保留到項目的最后一個周末，任何問題都可能導致錯過最后期限，或者在最壞的情況下導致需要在部署后進行協調的數據損壞。本書詳細介紹了如何進行戰略規劃以避免這些最后時刻的風險，以及如何為未來的集成項目構建正確的解決方案。

你會學到什么

• 理解集成的“語言”，以及它們在優先級和所有權方面的關系
• 創建有價值的文檔，帶領您的團隊從發現到部署
• 研究當今市場上最重要的集成工具
• 監視您的錯誤日志，并查看輸出如何增加持續改進的周期
• 為整個企業提供有價值的集成解決方案

這本書是給誰看的

構建相應實踐的執行和集成團隊領導。它也適用于需要額外熟悉ETL工具、集成過程和相關項目可交付成果的集成架構師、開發人員和業務分析人員