معرفی و دانلود کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان: راهنمای برنامه نویسان هوش مصنوعی

معرفی کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان: راهنمای برنامه نویسان هوش مصنوعی

هوش مصنوعی به توانایی سیستم‌ها یا ماشین‌های کامپیوتری اشاره می‌کند که به آن‌ها اجازه می‌دهد، مستقلاً عمل کنند و یاد بگیرند. کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان، نوشته‌ی لارنس مورونی، کتابی جامع و کاربردی در این زمینه است. این اثر که در گروه کتاب‌های هوش مصنوعی و شبکه‌ی عصبی طبقه‌بندی می‌شود، طراحی، آموزش و استقرار هوش مصنوعی را به شما می‌آموزد.

درباره‌ی کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان

اگر به دنبال آن هستید که از برنامه‌نویسی به متخصص هوش مصنوعی تغییر شغل دهید، مطالعه‌ی کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان (AI and Machine Learning for Coders) گام خوبی برای شروع است. این کتاب بر اساس دوره‌های بسیار موفق هوش مصنوعی لارنس مورونی (Laurence Moroney)، رویکردی عملی و مبتنی بر کد را ارائه می‌کند تا به شما در یادگیری موضوعات کلیدی کمک کند.

در کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان یاد می‌گیرید، چگونه با مهارت‌هایی که کارفرمایان می‌خواهند، مدل‌هایی با تنسورفلو بسازید. همچنین چگونه رایج‌ترین سناریوها را در یادگیری ماشین پیاده‌سازی کنید. نحوه‌ی پیاده‌سازی بینایی کامپیوتر، روش‌های جاسازی مدل‌ها در اندروید و آی او اس و نحوه‌ی سرویس‌دهی مدل‌ها از طریق وب و در فضای ابری با سرویس تنسورفلو از مباحثی هستند که در این کتاب به آن‌ها پرداخته می‌شود.

در نهایت،‌ اکثر کتاب‌هایی که درباره‌ی یادگیری ماشین هستند با حجم زیای از آموزش‌ها درباره‌ی ریاضیات پیشرفته آغاز می‌شوند؛ در مقابل، این راهنما با درس‌های عملی طراحی شده است که به شما امکان می‌دهد مستقیماً با کد کار کنید.

کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان را انتشارات آتی‌نگر با ترجمه‌ی مهدی اسماعیلی منتشر کرده است.

نکوداشت‌های کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان

• اگر به هوش مصنوعی و یادگیری ماشین علاقه‌مند هستید و می‌خواهید مدل‌هایی هوشمند با یادگیری عمیق بسازید، این کتاب برای شما مناسب است. (رسانه‌ی اوریلی)
• لارنس مورونی حمایت از هوش مصنوعی را در گوگل هدایت می‌کند. هدف او آموزش دنیای توسعه‌دهندگان نرم‌افزار پیرامون نحوه‌ی ساخت سیستم‌های هوش مصنوعی با یادگیری ماشین است. (آمازون)

کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان برای چه کسانی مناسب است؟

این کتاب برای کسانی که با حوزه‌ی برنامه‌‎نویسی آشنا هستند و قصد دارند متخصص هوش مصنوعی شوند، مناسب است.

در بخشی از کتاب هوش مصنوعی و یادگیری ماشین برای کدنویسان: راهنمای برنامه نویسان هوش مصنوعی می‌خوانیم

قدرت شبکه‌های عصبی در یادگیری توابع پیچیده تحسین‌برانگیز است؛ اما این سکه روی دیگری نیز دارد و آن هم چالش‌هایی نظیر بیش‌برازش است. چنانچه در طراحی فرایند یادگیری دقت نشود، آنگاه پیش‌بینی مدل روی داده‌های آموزشی عالی؛ اما کارایی مدل مزبور روی داده‌های آزمایشی و دیده نشده ضعیف خواهد بود. این چالش که با نام بیش‌برازش شناخته می‌شود، ناشی از به خاطر سپردن جزئیات داده‌های آموزشی توسط مدل است؛ که برای داده‌های آزمایشی قابل‌تعمیم نیست. برای فهم بهتر مسئله، دانش‌آموزی را در نظر بگیرید که تنها می‌تواند مسائل حل شده توسط معلم خود را به‌خوبی حل کند؛ اما قادر به حل کردن مسائل جدید نیست. به نظر می‌رسد با حل کردن مسائل متعدد و زیاد برای این دانش‌آموز، بتوان این قابلیت را در آن پرورش داد که قادر به حل مسائل جدید نیز باشد.

فهرست مطالب کتاب

پیشگفتار
1: یادگیری ماشین و TensorFlow
2: اجرای اولین پروژه یادگیری ماشین
3: مقدمه‌ای بر بینایی ماشین
4: کانولوشن و ادغام: دو عنصر اصلی در شبکه‌های عصبی کانولوشن
5: پیاده‌سازی شبکه‌های عصبی کانولوشن
6: ساخت یک CNN برای تشخیص انسان و اسب
7: داده‌افزایی و یادگیری انتقالی
8: استفاده از تکنیک دورریزی برای رفع بیش‌برازش
9: استفاده از TensorFlow Datasets
10: استفاده از TFDS با مدل‌های Keras
11: چگونگی کَش شدن داده‌ها در TFDS
12: فرایند ETL: مدیریت داده‌ها در TensorFlow
13: مقدمه‌ای بر پردازش زبان طبیعی
14: کار با منابع داده‌ای واقعی
15: معانی کلمات: مقدمه‌ای بر مفهوم جایگزین‌ها
16: کاهش بیش‌برازش در مدل‌های زبانی
17: مصورسازی جایگزین‌ها و استفاده از جایگزین‌های آماده
18: مقدمه‌ای بر شبکه‌های عصبی برگشتی
19: ساخت یک رده‌بند متن با RNN
20: استفاده از جایگزین‌های آماده همراه با RNN
21: استفاده از TensorFlow برای تولید متن
22: مقدمه‌ای بر سری‌های زمانی
23: پیش‌بینی توالی‌ها با مدل‌های یادگیری ماشین
24: تنظیم ابرپارامترها با کمک Keras Tuner
25: استفاده از لایه‌های کانولوشن برای کار با توالی‌ها
26: استفاده از شبکه‌های عصبی برگشتی برای کار با توالی‌ها
27: مقدمه‌ای بر TensorFlow Lite
28: مثال دیگری از چگونگی استفاده TensorFlow Lite
29: استفاده از TensorFlow Lite در برنامه‌های کاربردی Android
30: Android و پردازش تصاویر
31: استفاده از TensorFlow Lite در برنامه‌های کاربردی iOS
32: iOS و پردازش تصاویر
33: مقدمه‌ای بر TensorFlow.js
34: ساخت مدل در JavaScript
35: ساخت یک CNN در JavaScript و استفاده از ابزار مصورسازی
36: مدیریت داده‌ها در TensorFlow.js
37: تبدیل مدل‌های Python به JavaScript
38: استفاده از مدل‌های آماده JavaScript
39: یادگیری انتقالی در JavaScript
40: یادگیری انتقالی و TensorFlow Hub و TensorFlow.org
41: مقدمه‌ای بر TensorFlow Serving
42: استقرار مدل با TensorFlow Serving