معرفی و دانلود کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان: راهنمایی برای برنامه نویسان جهت ورود به هوش مصنوعی

معرفی کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان: راهنمایی برای برنامه نویسان جهت ورود به هوش مصنوعی

کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان نوشته‌ی لارنس مورونی به یکی از مفاهیم پرکاربرد این روزها یعنی پیوند برنامه‌نویسی و هوش مصنوعی به شکل عملی پرداخته است. لارنس مورونی که سابقه‌ی فعالیت در حوزه‌ی هوش مصنوعی را دارد با استفاده از تجربه‌ی چندین ساله‌ی خود کتابی عملی برای برنامه‌نویسانی نوشته است که به‌دنبال ورود به دنیای وسیع و بزرگ هوش مصنوعی هستند.

درباره‌ی کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان

با روی کار آمدن هوش مصنوعی به شکل‌های مختلف بسیاری از مشاغل در خطر نابودی قرار گرفته‌اند و یکی از مشاغلی که به آن اشاره می‌شود برنامه‌نویسی است. با این‌حال شاید در میان تمام مشاغلی که با ورود هوش مصنوعی به جهان ما دچار تغییر می‌شوند برنامه‌نویسی از همه بیشتر به ماهیت هوش مصنوعی نزدیک باشد.

در کتاب پیش رو لارنس مورونی (Laurence Moroney) که مدیر بخش ترویج هوش مصنوعی در گوگل، یکی از فعالان یوتیوب، یکی از سخنرانان در سطح جهانی و همچنین نویسنده‌ی چندین کتاب علمی و تخیلی و فیلمنامه بوده با توجه به تجربیات چندین ساله‌ی خود کتاب کاربردی هوش مصنوعی و یادگیری ماشین برای کدنویسان (AI and Machine Learning for Coders) را نوشته است.

این کتاب قرار است به مثابه‌ی یک دروازه برای برنامه‌نویسانی باشد که به هر دلیل علاقه‌مند به حضور در دنیای هوش مصنوعی هستند. یکی از ویژگی‌های بارز کتاب عملی بودن آن است، به این معنی که دارای تمرین‌های کدنویسی است که به خواننده کمک می‌کند با اعتماد به نفس بیشتری وارد دنیای هوش مصنوعی شوند. این کتاب با توضیح مفاهیم یادگیری ماشین کار خود را آغاز می‌کند و خبری از فرمول‌های ریاضی سنگین هم نیست و یک‌راست به سراغ کدنویسی رفته است تا از بیشتر کتاب‌های این حوزه عملی‌تر شود.

در کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان، نویسنده به سراغ توضیح مفاهیمی مانند چگونگی خوانش تصاویر یا ویدئو، چگونگی پردازش و دریافت معنی از زبان انسان می‌رود. همچنین مدل‌سازی دنباله‌ای که یعنی حدس زدن چیزها، کلمات یا اتفاقات در یک جمله، رفتار کاربر در وب یا اپ توسط هوش مصنوعی، ازجمله مباحثی هستند که لارنس مورونی آن‌ها را مورد بررسی قرار داده است. این کتاب کاربردی در زمینه‌ی هوش مصنوعی را انتشارات فناوری نوین با ترجمه‌ی محبوبه فتاحی منتشر کرده است.

کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان برای شما مناسب است اگر

• به دنیای هوش مصنوعی و پیوند آن با برنامه‌نویسی علاقه‌مند هستید.
• یک برنامه‌نویس هستید و می‌خواهید وارد دنیای هوش مصنوعی شوید.
• به‌دنبال کتابی عملی در زمینه‌ی برنامه‌نویسی و هوش مصنوعی می‌گردید.

در بخشی از کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان: راهنمایی برای برنامه نویسان جهت ورود به هوش مصنوعی می‌خوانیم

روش دیگری که در طبقه‌بندی دنباله‌ها می‌توان مدنظر قرار داد، آموزش دوطرفه است. این موضوع ممکن است در ابتدا کمی نامعقول به نظر برسد، چرا که ممکن است این سؤال مطرح شود که چگونه مقادیر آینده می‌توانند بر مقادیر گذشته تأثیر بگذارند؛ اما به یاد داشته باشید که داده‌های سری زمانی غالباً دارای ویژگی فصلی هستند؛ یعنی مقادیر در طول زمان تکرار می‌شوند هنگامی که از شبکه‌های عصبی برای پیش‌بینی استفاده می‌کنیم، در واقع کاری که انجام می‌دهیم، تطبیق الگوهای پیچیده است. با توجه به تکرار داده‌ها، ممکن است سیگنالی از نحوه تکرار در مقادیر آینده وجود داشته باشد. با استفاده از آموزش دو طرفه می‌توان شبکه را طوری آموزش داد که الگوهای حرکت از زمان t به زمان t + x و همچنین از زمان t + x به زمان t را شناسایی کند.

خوشبختانه، کدنویسی این کار ساده است. برای مثال، لایه GRU از بخش قبلی را در نظر بگیرید. برای دوطرفه کردن آن کافی است هر لایه GRU داخل یک تابع tf.keras.layers.Bidirectional قرار دهید. این کار باعث می‌شود مدل در هر گام دو بار آموزش ببیند، یک بار با ترتیب اصلی داده‌های دنباله و یک بار با ترتیب معکوس آن. سپس نتایج هر دو جهت، قبل از ادامه به گام بعدی با هم ادغام می‌شوند.

فهرست مطالب کتاب

فصل 1: مقدمه‌ای بر تنسورفلو (TensorFlow)
فصل 2: مقدمه‌ای بر بینایی کامپیوتر
فصل 3: فراتر از مقدمات؛ شناسایی ویژگی‌ها در تصاویر
فصل 4: استفاده از مجموعه داده‌های عمومی یا مجموعه داده‌های TenesorFlow
فصل 5: مقدمه‌ای بر پردازش زبان طبیعی
فصل 6: قابل برنامه‌نویسی کردن احساسات با استفاده از بردارهای تعبیه‌شده
فصل 7: شبکه‌های عصبی بازگشتی برای پردازش زبان طبیعی
فصل 8: استفاده از TenesorFlow برای ایجاد متن
فصل 9: درک داده‌های دنباله‌ای (Sequence) و سری‌های زمانی (Time Series)
فصل 10: ساخت مدل‌های یادگیری ماشین برای پیش‌بینی توالی‌ها
فصل 11: استفاده از روش‌های کانولوشنی و بازگشتی در مدل‌های دنباله‌ای
فصل 12: مقدمه‌ای بر TenesorFlow Lite
فصل 13: استفاده از TenesorFlow Lite تنسور فلو لایت در اپلیکیشن‌های اندروید
فصل 14: استفاده از TenesorFlow Lite در برنامه‌های ios
فصل 15: مقدمه‌ای بر TenesorFlow.js
فصل 16: تکنیک‌های کدنویسی برای بینایی ماشین با استفاده از TenesorFlow.js
فصل 17: استفاده مجدد و تبدیل مدل‌های پایتون به جاوا اسکریپت
فصل 18: یادگیری انتقالی در جاوا اسکریپت
فصل 19: استقرار مدل با استفاده از TenesorFlow Serving
فصل 20: اخلاق، انصاف و حریم خصوصی در هوش