
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
با دنبال کردن دستورالعملهای عملی، یاد بگیرید چگونه با استفاده از پایتون مسائل پیچیدهٔ یادگیری ماشین و یادگیری عمیق را حل کنید.
ویژگیهای کلیدی:
-- با دستورالعملهای عملی و مسئلهمحور، خیلی سریع کار با هوش مصنوعی را شروع کنید
-- کتابخانهها و ابزارهای محبوب پایتون را برای ساخت راهحلهای هوش مصنوعی برای تصویر، متن، صدا و تصاویر بررسی کنید
-- پردازش زبان طبیعی، یادگیری تقویتی، یادگیری عمیق، GAN، جستوجوی درختی مونتکارلو و خیلی چیزهای دیگر را پیادهسازی کنید
توضیح کتاب:
-- هوش مصنوعی (AI) نقشی اساسی در خودکارسازی حل مسئله دارد. این کار شامل پیشبینی و دستهبندی دادهها و آموزش عاملها برای انجام موفقیتآمیز وظایف است. این کتاب به شما یاد میدهد چگونه با کمک دستورالعملهایی مستقل و پربینش، از مباحث پایه تا روشهای پیشرفتهای که تازه از دل پژوهش بیرون آمدهاند، مسائل پیچیده را حل کنید.
کتاب آشپزی هوش مصنوعی با پایتون با نشان دادن نحوهٔ راهاندازی محیط پایتون شما آغاز میشود و سپس شما را با اصول اولیهٔ اکتشاف داده آشنا میکند. در ادامه، میتوانید تکنیکهای جستوجوی ابتکاری و الگوریتمهای ژنتیک را پیادهسازی کنید. افزون بر این، مدلهای احتمالی، بهینهسازی با قید و یادگیری تقویتی را به کار خواهید گرفت. هرچه در کتاب جلوتر بروید، مدلهای یادگیری عمیق برای متن، تصویر، ویدئو و صوت میسازید و سپس وارد موضوعاتی مانند سوگیری الگوریتمی، انتقال سبک، تولید موسیقی و کاربردهای هوش مصنوعی در صنعت سلامت و بیمه میشوید. در سراسر کتاب، با ابزارهای متنوعی برای حل مسئله آشنا میشوید و دانشی به دست میآورید که برای روبهرو شدن مؤثر با مسائل پیچیده لازم است.
در پایان این کتاب دربارهٔ هوش مصنوعی، مهارتهایی را خواهید داشت که برای نوشتن الگوریتمهای هوش مصنوعی و یادگیری ماشین، آزمودن آنها و استقرارشان در محیط تولید نیاز دارید.
آنچه خواهید آموخت:
-- مراحل پیشپردازش داده را پیادهسازی کنید و ابرپارامترهای مدل را بهینهسازی کنید
-- یادگیری بازنمایی را با اتوانکودرهای تخاصمی عمیقتر بررسی کنید
-- از یادگیری فعال، سیستمهای توصیهگر، تعبیهٔ دانش و حلکنندههای SAT استفاده کنید
-- با مدلسازی احتمالی با TensorFlow Probability بهخوبی آشنا شوید
-- تشخیص شیء، تبدیل متن به گفتار و تولید متن و موسیقی را اجرا کنید
-- الگوریتمهای ازدحامی، سیستمهای چندعاملی و شبکههای گراف را به کار بگیرید
-- با استقرار مدلها بهصورت ریزسرویس، از اثبات مفهوم به تولید برسید
-- درک کنید که چگونه از هوش مصنوعی مدرن در عمل استفاده کنید
این کتاب برای چه کسانی است:
این کتاب یادگیری ماشین و هوش مصنوعی برای توسعهدهندگان پایتون، دانشمندان داده، مهندسان یادگیری ماشین و فعالان حوزهٔ یادگیری عمیق مناسب است که میخواهند با دستورالعملهایی ساده و قابل دنبال کردن، ساخت راهحلهای هوش مصنوعی را یاد بگیرند. اگر به دنبال راهحلهای روز دنیا برای انجام وظایف مختلف یادگیری ماشین در کاربردهای گوناگون هستید، این کتاب برای شما مفید خواهد بود. آشنایی پایه با زبان برنامهنویسی پایتون و مفاهیم یادگیری ماشین به شما کمک میکند تا با کدهای این کتاب بهتر کار کنید.
فهرست مطالب:
1. شروع کار با هوش مصنوعی در پایتون
2. موضوعات پیشرفته در یادگیری ماشین نظارتشده
3. الگوها، دادههای پرت و توصیهها
4. مدلسازی احتمالی
5. تکنیکهای جستوجوی ابتکاری و استنتاج منطقی
6. یادگیری تقویتی عمیق
7. کاربردهای پیشرفتهٔ تصویر
8. کار با تصاویر متحرک
9. یادگیری عمیق در صوت و گفتار
10. پردازش زبان طبیعی
11. هوش مصنوعی در محیط تولید
Work through practical recipes to learn how to solve complex machine learning and deep learning problems using PythonKey Features:-- Get up and running with artificial intelligence in no time using hands-on problem-solving recipes -- Explore popular Python libraries and tools to build AI solutions for images, text, sounds, and images-- Implement NLP, reinforcement learning, deep learning, GANs, Monte-Carlo tree search, and much moreBook Description:-- Artificial intelligence (AI) plays an integral role in automating problem-solving. This involves predicting and classifying data and training agents to execute tasks successfully. This book will teach you how to solve сomplex problems with the help of independent and insightful recipes ranging from the essentials to advanced methods that have just come out of research.Artificial Intelligence with Python Cookbook starts by showing you how to set up your Python environment and taking you through the fundamentals of data exploration. Moving ahead, you'll be able to implement heuristic search techniques and genetic algorithms. In addition to this, you'll apply probabilistic models, constraint optimization, and reinforcement learning. As you advance through the book, you'll build deep learning models for text, images, video, and audio, and then delve into algorithmic bias, style transfer, music generation, and AI use cases in the healthcare and insurance industries. Throughout the book, you'll learn about a variety of tools for problem-solving and gain the knowledge needed to effectively approach complex problems.By the end of this book on AI, you will have the skills you need to write AI and machine learning algorithms, test them, and deploy them for production.What you will learn:-- Implementс data preprocessing steps and optimize model hyperparameters-- Delve into representational learning with adversarial autoencoders-- Use active learning, recommenders, knowledge embedding, and SAT solvers-- Get to grips with probabilistic modeling with TensorFlow probability-- Run object detection, text-to-speech conversion, and text and music generation-- Apply swarm algorithms, multi-agent systems, and graph networks-- Go from proof of concept to production by deploying models as microservices-- Understand how to use modern AI in practiceWho this book is for:This AI machine learning book is for Python developers, data scientists, machine learning engineers, and deep learning practitioners who want to learn how to build artificial intelligence solutions with easy-to-follow recipes. You'll also find this book useful if you're looking for state-of-the-art solutions to perform different machine learning tasks in various use cases. Basic working knowledge of the Python programming language and machine learning concepts will help you to work with code effectively in this book.Table of Contents:1. Getting Started with Artificial Intelligence in Python2. Advanced Topics in Supervised Machine Learning3. Patterns, Outliers, and Recommendations4. Probabilistic Modeling5. Heuristic Search Techniques and Logical Inference6. Deep Reinforcement Learning7. Advanced Image Applications8. Working with Moving Images9. Deep Learning in Audio and Speech10. Natural Language Processing11. Artificial Intelligence in Production