Książka zawiera wieloaspektowe przedstawienie problematyki społecznej odpowiedzialności biznesu i jej raportowania oraz propozycję struktury modelu raportu środowiskowo-społecznego, osadzonego w nurcie nowoczesnych trendów raportowania biznesowego, dla specyficznego podmiotu gospodarczego, jakim jest Państwowe Gospodarstwo Leśne Lasy Państwowe. Podmiot ten posłużył jako doskonałe studium przypadku w zakresie możliwości i konieczności raportowania społeczeństwu działań środowiskowo-społecznych, za które Lasy Państwowe odpowiadają przed obecnym i przyszłymi pokoleniami. Warto dodać, że jest to pierwsze tego typu opracowanie w polskiej literaturze przedmiotu.

Publikacja adresowana jest do pracowników naukowo-badawczych, praktyków zajmujących się raportowaniem informacji niefinansowych, studentów, leśników, a także do wszystkich, którym bliskie są zagadnienia związane ze społeczną odpowiedzialnością biznesu.

Tematyka tego numeru obejmuje dość zróżnicowaną problematykę, która przynajmniej po części dotyczy geologii i górnictwa. Jeden z artykułów dotyczy wydobywania kopalin z wód powierzchniowych. Autor wskazuje tu na niekorzystne rozwiązania w tym zakresie, związane z tym, że wydobywający kopaliny z wód powierzchniowych powinien uzyskać zarówno pozwolenie wodnoprawne, jak i koncesję. Kolejny „górniczy” tekst dotyczy ocen oddziaływania przedsięwzięć geologicznych i górniczych na obszary Natura 2000. Warto polecić również tekst o odpowiedzialności za szkody wyrządzone robotami geologicznym niewymagającymi koncesji. Tu Autor ukazuje problemy związane z jej poniesieniem na podstawie Prawa geologicznego i górniczego, występujące wskutek tego, że w przypadku takich robót nie zawsze zespół urządzeń posiada status zakładu górniczego, a podejmowane działania nie są rozumiane jako jego ruch prowadzony przez przedsiębiorcę. Z zakresu szeroko rozumianej ochrony przyrody warto wskazać na trzy artykuły. Pierwszy z nich dotyczy ochrony rezerwatowej w lasach. Ciekawie przedstawia się również tekst poświęcony ewolucji powszechnej ochrony drzew i krzewów spowodowanej radosną twórczością ustawodawcy określaną mianem „Lex Szyszko”. Wreszcie trzeci z artykułów przybliża kwestie związane z kontrolą przestrzegania przepisów na terenie dwóch obszarowych form ochronnych, tj. parku narodowego i rezerwatu przyrody. Przygotowano również sprawozdanie z konferencji pt. „Prawne instrumenty ochrony powietrza”, która odbyła się 20 kwietnia 2018 r., na Wydziale Prawa i Administracji Uniwersytetu Śląskiego w Katowicach. Z opracowań ogólnych warto zwrócić uwagę na recenzję monografii zatytułowanej Rozważania o... (Katowice 2018). Tradycyjnie Czytelnik znajdzie w czasopiśmie kolejną część komentarza do ustawy Prawo geologiczne i górnicze. Tym razem do art. 13–17 tego aktu.

Monografia „Lasy przyszłości. Wyzwania współczesnego leśnictwa” opublikowana staraniem Oficyny Wydawniczej Politechniki Białostockiej dotyczy różnorodnych aspektów kształtowania, hodowli i ochrony lasów. Lasy i leśnictwo stoją współcześnie wobec wielu wyzwań o skali dotychczas niespotykanej, związanych zwłaszcza z kryzysem klimatycznym, a także przewartościowaniem potrzeb i oczekiwań społecznych dotyczących ich funkcji. Wymaga to modyfikacji zarządzania lasami w wielu obszarach. Młode pokolenie leśników będzie mierzyć się z tego rodzaju wyzwaniami w nieporównywalnie większym stopniu niż ich poprzednicy. Procesom i zjawiskom tego rodzaju poświęcone były konferencje organizowane w Instytucie Nauk Leśnych Politechniki Białostockiej w latach 2020–2021. Referaty prezentowane wówczas stały się punktem wyjścia dla autorów większości rozdziałów składających się na niniejszy tom.

Autorami poszczególnych rozdziałów są wykładowcy Wydziału Elektroniki i Technik Informacyjnych Politechniki Warszawskiej, którzy aktywnie biorą udział w rozwoju sztucznej inteligencji. W rozdziale pierwszym znajdują się informacje o historii, charakterze i zastosowaniach sztucznej inteligencji. Rozdział drugi traktuje o podstawowym nie tylko dla sztucznej inteligencji zagadnieniu przeszukiwania przestrzeni stanów w poszukiwaniu rozwiązań zadanego problemu. Towarzyszy temu omówienie metod optymalizacji, które wskazują najlepsze rozwiązanie z punktu widzenia przyjętego kryterium. Tematem kolejnego rozdziału jest uczenie maszynowe. Rozdział czwarty został poświęcony archi-tekturom sztucznych sieci neuronowych, w tym sieciom głębokim. W rozdziale piątym znajduje się prezentacja i dyskusja dotycząca wzajemnych związków etyki i sztucznej inteligencji, ze szczególnym naciskiem na konieczność przedstawiania wyników działania systemów SI w sposób zrozumiały dla człowieka. Każdy rozdział jest opatrzony notą bibliograficzną, która podaje pozycje rozszerzające omówiony materiał.
Książka może służyć jako podręcznik i wsparcie dydaktyczne wykładów z zakresu SI, a czytelnik powinien wiedzieć, jak dane są reprezentowane w postaci cyfrowej, umie czytać pseudokod i potrafi programować strukturalnie. Przedstawione metody autorzy wyjaśniają w sposób intuicyjny, ale dbają też o precyzję, wykorzystują przykłady i podają algorytmy.
Kontynuacją książki jest tom prezentujący metody sztucznej inteligencji dla różnych grup zastosowań, m.in. analizy danych strukturalnych (tabelarycznych), analizy tekstów w języku naturalnym, analizy sekwencji biologicznych, widzenia maszynowego, przetwarzania mowy oraz bezpieczeństwa systemów SI.

Obierz kurs na... machine learning!

Uczenie maszynowe obejmuje techniki wykorzystywane najczęściej w obszarze określanym mianem sztucznej inteligencji — a właśnie ona jest w tej chwili jednym z głównych kierunków rozwoju technologicznego branży IT. Niesamowite jest to, że po odpowiednim przekształceniu wiele problemów praktycznych, inżynierskich czy też biznesowych można rozwiązać właśnie z użyciem uczenia maszynowego. Można dzięki niemu wyszukiwać zdjęcia, na których znajdują się te same lub podobne obiekty, klasyfikować teksty z danej dziedziny, szacować, jak potoczy się kariera absolwenta szkoły i jaki kolejny produkt klient umieści w koszyku. Rozwiązania takich problemów są źródłem budowania wartości właściwie w każdej branży, w której nastąpiła już choćby minimalna cyfryzacja.

Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pomoże Ci zorientować się w najważniejszych kwestiach dotyczących uczenia maszynowego i poznać techniki budowania praktycznych modeli, pozwalających swobodnie poruszać się w dużych zbiorach danych i wyłuskiwać z nich potrzebne informacje.

Wgryź się w podstawy uczenia maszynowego i wykorzystaj je już dziś — ta rewolucja dzieje się naprawdę!

Czego nauczysz się podczas naszego profesjonalnego szkolenia?

• Zainstalujesz i skonfigurujesz środowisko Anaconda.
• Nauczysz się korzystać z Google Colaboratory.
• Poznasz dobre praktyki w uczeniu maszynowym (w tym metody projektowe).
• Zobaczysz, jak wygląda wczytywanie danych i manipulowanie nimi za pomocą biblioteki Pandas.
• Wykorzystasz modele zaimplementowane w bibliotece Scikit-Learn (sklearn) do rozwiązania problemów:

1. klasyfikacji,
2. regresji,
3. redukcji wymiaru,
4. poszukiwania skupień.

• Zbudujesz modele sieci neuronowych w bibliotece Keras/Tensorflow (w tym modele sieci konwolucyjnych i rekurencyjnych).
• Sprawdzisz, jak wykorzystać biblioteki MLextend do analiz asocjacji.

W kolejnych krokach opanujesz technikę transfer learningu, dokonasz optymalizacji hiperparametrów modeli i odkryjesz, jak działa konteneryzacja rozwiązań z użyciem Dockera.

Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek zakończysz na poziomie podstawowym, ale Twoja wiedza zwiększy się zdecydowanie. Bezpośrednio dzięki umiejętnościom zdobytym w czasie kursu będziesz potrafił zbudować takie rozwiązania jak: klasyfikator obrazów (na przykład rozpoznający, że na obrazie z kamery bezpieczeństwa pojawił się jakiś konkretny obiekt), klasyfikator tekstów (na przykład pozwalający zaklasyfikować wiadomości do odpowiedniej kategorii), model do prognozy zjawisk obserwowanych w czasie (na przykład prognozujący liczbę samochodów, które przejeżdżają dany odcinek drogi), model mierzący różne wartości liczbowe na podstawie obrazów (na przykład taki, który jest w stanie stwierdzić, jak bardzo nachylony jest obiekt znajdujący się na zdjęciu), model pozwalający wyszukiwać obiekty o podobnych cechach (na przykład zdjęcia zawierające podobne obiekty).

Sztuczna inteligencja i uczenie maszynowe

Sztuczna inteligencja w połączeniu z rozwojem narzędzi big data, usług chmurowych i stopniowym zwiększaniem mocy obliczeniowej nawet komputerów klasy PC coraz szybciej przekształca branżę IT. Dzięki temu, że należące do niej wielkie firmy udostępniły na zasadach open source wiele narzędzi i bibliotek, które pozwalają na szybkie i sprawne budowanie rozwiązań opartych na uczeniu maszynowym, rozwój tej dziedziny przyspiesza jeszcze bardziej.

Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pozwoli Ci odkryć najważniejsze techniki uczenia maszynowego i dostosować modele do Twoich celów. Oprócz przykładów zastosowania klasyfikacji z użyciem płytkiego i głębokiego uczenia maszynowego oraz zastosowania regresji znajdziesz tu przykłady uczenia nienadzorowanego, optymalizacji hiperparametrów oraz konteneryzacji wytrenowanych modeli za pomocą Dockera.

Przyjmij zaproszenie do świata AI!

Trudno określić, jak będzie się rozwijać uczenie maszynowe w przyszłości, jednak pewne jest, że przynajmniej w najbliższych latach będzie to dziedzina znajdująca coraz więcej praktycznych zastosowań. Zaobserwować można postępującą „demokratyzację” uczenia maszynowego — narzędzia stają się coraz łatwiejsze w użyciu, dostępne są już wytrenowane modele, które dzięki technice transfer learningu łatwo jest zaprząc do rozwiązywania własnych problemów, a usługi chmurowe, oferujące możliwość użycia komputerów o dużej mocy obliczeniowej, mają na tyle przystępne ceny, że każda firma czy nawet osoba prywatna może sobie pozwolić na korzystanie z tych narzędzi. To wszystko powoduje, że wiele osób pragnie jak najszybciej poznać techniki związane z uczeniem maszynowym i ze sztuczną inteligencją.
Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek to najlepszy wstęp do praktycznego zastosowania metod zdecydowanie ułatwiających pracę z dużymi zbiorami danych. Po tym kursie już nigdy nie będziesz musiał ręcznie szukać igły w stogu siana.

Tylko dla wtajemniczonych

W 2020 roku firma OpenAI udostępniła API do modelu GPT-3, którego najobszerniejsza wersja zawiera przeszło 170 miliardów parametrów (dla porównania: modele omawiane podczas szkolenia Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek mają maksymalnie kilkadziesiąt milionów parametrów). Okazuje się, że tak duży model, wytrenowany na ogromnym zbiorze tekstów, zaczyna mieć już pewne cechy, których spodziewać by się można po przyszłych modelach „ogólnej sztucznej inteligencji” — potrafi rozwiązywać zadania, do których nie został bezpośrednio wytrenowany. Jego możliwości są oczywiście nadal bardzo dalekie od możliwości ludzkiego mózgu, jednakże jego potencjalne praktyczne zastosowania są przeogromne, wręcz przełomowe. Obecnie dostęp do modelu GPT-3 jest możliwy jedynie przez API udostępniane beta testerom, ale gdy tylko dostęp ten stanie się powszechny, warto poeksperymentować z tym modelem i sprawdzić jego działanie.

Jak zrozumieć działanie modeli klasyfikacji w Pythonie?

Obierz kurs na... przyszłość

Powszechna cyfryzacja nie dotyka jedynie wybranych gałęzi przemysłu, ale dosłownie przeniknęła nasze życie niemal w każdym aspekcie. Skutkiem tego procesu jest pojawienie się ogromnej ilości danych, które, odpowiednio wykorzystane, stanowią nowy rodzaj materii w nieprzerwanym cyklu postępu. Uczenie maszynowe stało się jednocześnie obszarem szczególnego zainteresowania ze strony zarówno firm, jak i uczelni. Dzięki specjalnym algorytmom i technikom możliwe stało się wykorzystanie zasobów, jakimi są dane, do opracowywania rozwiązań poprawiających efektywność w wielu dziedzinach: od robotyki, przez medycynę, aż po rozrywkę.

Przykładami rozwiązań, które już dziś wykorzystują uczenie maszynowe, są chociażby silniki rekomendacyjne działające na platformach takich jak YouTube, Netflix, Spotify czy Amazon. Silniki te skutecznie dobierają treści, tak że wokół produktów tworzą się całe społeczności wiernie oddanych klientów. To wszystko dzieje się obecnie. W niedalekiej przyszłości wiele - także dość skomplikowanych - czynności zostanie zautomatyzowanych. Zawody, również te potencjalnie wymagające wysokich kwalifikacji, nawet jeśli nie będą w całości wykonywane przez maszyny, będą przez nie wspomagane. Jest niemal pewne, że specjaliści między innymi w dziedzinie uczenia maszynowego, którzy już dziś są intensywnie poszukiwani, staną się jeszcze bardziej pożądani w przyszłości. Dołącz do ich grona!

Co Cię czeka podczas naszego profesjonalnego szkolenia?

Dzięki temu kursowi video:

• pojmiesz istotę działania algorytmów uczenia maszynowego,
• zrozumiesz związek pomiędzy podstawą matematyczną a implementacją tych algorytmów i w razie czego będziesz umiał napisać je od zera (także w języku innym niż Python),
• dowiesz się, jak korzystać z popularnych i sprawdzonych bibliotek dedykowanych uczeniu maszynowemu: scikit-learn oraz Keras,
• stworzysz własny silnik rekomendacyjny,
• poprawnie przeprowadzisz proces przygotowania danych oraz trenowania modelu,
• ocenisz, który algorytm najlepiej sprawdzi się w rozwiązaniu danego problemu, a który może doprowadzić do niepożądanych efektów,
• opanujesz wiedzę, która pozwoli Ci szacować skuteczność modeli oraz diagnozować problemy związane z procesem uczenia maszynowego.

Co więcej...

• ukończywszy kurs, będziesz w stanie właściwie podejść do pracy z różnymi typami danych w kontekście uczenia maszynowego, jak również przenieść sporą część tej wiedzy poza obszar Pythona.

Data science w Pythonie. Kurs video. Algorytmy uczenia maszynowego kończy się na poziomie średnio zaawansowanym, a nawet nieco wyżej, jeśli chodzi o wiedzę i umiejętności, jakich wymaga się na przykład od analityka biznesowego, naukowca, inżyniera danych czy webdevelopera. Natomiast jeśli mowa o wiedzy stricte z zakresu data science, autor kursu określa poziom jego absolwenta na podstawowy. Uwaga, by móc w pełni skorzystać ze szkolenia, trzeba znać podstawy języka Python (w tym orientować się w bibliotekach: numpy, pandas, matplotlib) i matematykę na poziomie pierwszego - drugiego roku studiów na kierunkach ścisłych. Takie pojęcia jak gradient, pochodna, szereg, prawdopodobieństwo czy notacja nie powinny być Ci obce!

Czym właściwie zajmuje się specjalista w dziedzinie data science?

Odpowiedź na to pytanie jest krótka i - jak to w matematyce - policzalna. Aż 70 procent czasu pracy spędza się w tym zawodzie na zbieraniu i analizie danych, by potem, przez kolejne 20 procent, tworzyć i testować modele, które "ubiera się" w programy, a następnie wykorzystuje do otrzymywania przewidywań z modeli. Przykładami takich modeli, jakie stosuje się już dziś w kontekście biznesowym, są między innymi silniki rekomendacyjne (Netflix, YouTube, eBay, Amazon, Spotify itd.), modele do klasyfikacji obrazów medycznych w celu rozpoznawania ewentualnych infekcji, systemy do automatycznych tłumaczeń (patrz Google) czy popularne boty - i wiele innych.

Od teorii, przez praktykę, aż po gotowe rozwiązania

Kurs składa się z trzech bloków szkoleniowych. Zaczniemy od teorii data science. Tu przygotuj się na serię wykładów, w których autor wprowadza pojęcia na poziomie równań, wyjaśniając je od podstaw. Bazując na wiedzy zdobytej w części teoretycznej, przejdziemy do praktyki - będziesz pisać algorytm "od zera", a przy tym pogłębisz rozumienie koncepcji matematycznych i przy okazji napiszesz kod. Wreszcie przyjdzie czas na część trzecią, podczas której będziemy sprytni i sięgniemy po tzw. gotowce - przede wszystkim scikit-learn i Keras. Przy użyciu tych bibliotek rozwiążemy zadany problem, skupiając się zarówno na samym zagadnieniu, jak i ogólnym podejściu do problemu. W kursie połączysz teorię z praktyką. Dzięki temu osiągniesz dwa cele: wyrobisz w sobie intuicję matematyczną, która w razie potrzeby pozwoli Ci przenieść to rozumienie również poza Pythona, oraz zyskasz pewne doświadczenie w wykorzystywaniu powszechnie dostępnych narzędzi i w ten sposób zwiększysz skuteczność swojej pracy.

Kurs jest podzielony na 16 rozdziałów. W pierwszym rozdziale stworzysz proste środowisko pracy. Dalej, w rozdziałach 2 - 8, poznasz podstawowe algorytmy, takie jak sieci neuronowe, oraz zrozumiesz, na czym polega ogólne podejście machinelearningowe. W rozdziałach 9 - 13 poznasz kolejne, nieco alternatywne, lecz równie często wykorzystywane algorytmy, których idea opiera się na innych zasadach. Na koniec, w ramach rozdziałów: 14, 15 i 16, stworzysz własny silnik rekomendacyjny, który następnie usprawnisz z wykorzystaniem popularnych metod pracy z tekstem (NLP), by uzyskać półgotowy produkt na koniec kursu.