کتاب Generative AI Foundations in Python

این کتاب به شما یک معرفی قابل دسترسی به هوش مصنوعی مولد (Generative AI) و مدل‌های زبانی بزرگ (LLMs) ارائه می‌دهد و شما را از اصول اصلی به کاربردهای عملی هدایت می‌کند.

این کتاب با هدف ارائه یک رویکرد متوازن، هم نظریه و هم مثال‌های عملی را ارائه می‌دهد و یک پایه قوی برای کسانی که می‌خواهند هوش مصنوعی مولد را در رشته‌ها و زمینه‌های خود درک کنند و از آن بهره‌برداری کنند، فراهم می‌کند.

کتاب Generative AI Foundations in Python برای چه کسانی مناسب است:

این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین، متخصصان فناوری اطلاعات، مربیان و دانشجویانی با درک اولیه از یادگیری ماشین و پایتون نوشته شده است و خوانندگان را در جایی که هستند ملاقات می‌کند و به آن‌ها امکان می‌دهد تا با محتوای کتاب تعامل کامل داشته باشند و دانش بنیادی خود را در مورد مفاهیم هوش مصنوعی مولد بسازند.

آنچه کتاب Generative AI Foundations in Python پوشش می‌دهد:

فصل ۱، درک هوش مصنوعی مولد: مقدمه‌ای، پایه‌های مفهومی را ایجاد می‌کند، درک اساسی خواننده را از آنچه این فناوری انجام می‌دهد، نحوه‌ی مشتق شدن آن و نحوه‌ی استفاده از آن گسترش می‌دهد.

این فصل نحوه‌ی تفاوت مدل‌های مولد با الگوهای کلاسیک یادگیری ماشین را مشخص می‌کند و نحوه‌ی تشخیص روابط پیچیده و ویژگی‌های منحصر به فرد در داده‌ها را برای سنتز متن، صدا و ویدیوی شبیه انسان روشن می‌کند.

فصل ۲، بررسی انواع و حالت‌های GenAI: مروری بر GANs، Diffusers و Transformers، بنیادهای نظری و کاربردهای دنیای واقعی این تکنیک‌ها را با عمق بیشتری بررسی می‌کند.

این فصل از کتاب Generative AI Foundations in Python، نوآوری‌های معماری و پیشرفت‌هایی را که با گذشت زمان پایداری آموزش و کیفیت خروجی را بهبود بخشیده‌اند، تشریح می‌کند و ما را به LLM‌های پیشرفته می‌رساند.

فصل ۳، ردیابی بنیادهای پردازش زبان طبیعی و تأثیر Transformer، تکامل پردازش زبان طبیعی (NLP) را که در نهایت منجر به ظهور معماری Transformer شد، پوشش می‌دهد. این فصل Transformer را معرفی می‌کند – اساس آن در یادگیری عمیق، معماری توجه خود و تکامل سریع آن، که منجر به پدیده هوش مصنوعی مولد شده است.

فصل ۴، اعمال مدل‌های مولد از پیش آموزش‌داده‌شده: از نمونه اولیه تا تولید، فرآیند انتقال یک نمونه اولیه هوش مصنوعی مولد به یک استقرار آماده‌ی تولید را ترسیم می‌کند.

این فصل از کتاب Generative AI Foundations in Python، از طریق راه‌اندازی یک محیط قوی پایتون با استفاده از Docker، GitHub و خطوط لوله CI/CD، سپس ارائه ملاحظاتی برای انتخاب و استقرار یک مدل از پیش آموزش‌داده‌شده مناسب برای پروژه‌ی در دست بررسی، با تأکید بر ملاحظات محاسباتی، ارزیابی مناسب، نظارت و شیوه‌های مسئولانه هوش مصنوعی، راهنمایی می‌کند.

فصل ۵، تنظیم دقیق مدل‌های مولد برای وظایف خاص، نحوه‌ی تسهیل آموزش مداوم برای وظایف خاص مانند پرسش و پاسخ با استفاده از تنظیم دقیق کارآمد پارامتر (PEFT) را بررسی می‌کند. این فصل طیف وسیعی از تکنیک‌های تنظیم دقیق مقیاس‌پذیر را بررسی و تعریف می‌کند و آن‌ها را با سایر رویکردها مانند یادگیری در زمینه مقایسه می‌کند.

فصل ۶، درک سازگاری دامنه برای مدل‌های زبانی بزرگ، سازگاری دامنه را معرفی می‌کند، یک رویکرد تنظیم دقیق منحصر به فرد که مدل‌ها را برای تفسیر زبان منحصر به صنایع یا حوزه‌های خاص مجهز می‌کند و شکاف در درک زبان‌های تخصصی توسط LLM‌ها را برطرف می‌کند.

فصل ۷، تسلط بر اصول مهندسی سریع، تکنیک‌های سریع را برای بررسی نحوه‌ی تطبیق یک LLM عمومی بدون تنظیم دقیق بررسی می‌کند.

این فصل از کتاب Generative AI Foundations in Python، استراتژی‌های مختلف سریع را بررسی می‌کند که از قابلیت‌های ذاتی مدل برای تولید خروجی‌های هدفمند و مرتبط با زمینه استفاده می‌کنند. این فصل یک رویکرد ساده برای RAG بررسی می‌کند و تکنیک‌هایی را برای درک و اندازه‌گیری عملکرد ارائه می‌دهد.

فصل ۸، رسیدگی به ملاحظات اخلاقی و ترسیم مسیر به سمت هوش مصنوعی مولد قابل اعتماد، برجستگی روزافزون هوش مصنوعی مولد را تشخیص می‌دهد و ملاحظات اخلاقی را که باید پیشرفت آن را هدایت کنند بررسی می‌کند.

این فصل مفاهیم کلیدی مانند شفافیت، انصاف، مسئولیت‌پذیری، احترام به حریم خصوصی، رضایت آگاهانه، امنیت و شمولیت را ترسیم می‌کند که برای توسعه و استفاده مسئولانه از این فناوری‌ها ضروری هستند.