کتاب AI-Assisted Statistics for Data Scientists

کتاب AI-Assisted Statistics for Data Scientists: 50+ Essential Concepts Using R and Python (آمار به کمک دستیار هوش مصنوعی برای متخصصان داده: ۵۰+ مفهوم اساسی با آر و پایتون) نوشته پیتر بروس، اندرو بروس و پیتر گدک، ویرایش سوم راهنمای محبوبی است که مبانی آمار عملی را با ابزارهای مدرن هوش مصنوعی تلفیق میکند. این کتاب که برای دانشمندانی با آشنایی مقدماتی با آمار و تسلط بر R یا Python نوشته شده، بر ۵۰ مفهوم کلیدی در تحلیل داده، مدلسازی پیشبینانه و استقرار مسئولانه هوش مصنوعی تمرکز دارد. ویژگی برجسته این ویرایش، گنجاندن فصلهای جدید در مورد شبکههای عصبی، یادگیری عمیق و مدلهای زبانی بزرگ و همچنین ادغام کاربردهای عملی هوش مصنوعی مولد مانند ChatGPT، Claude و Gemini در سراسر کتاب است تا نشان دهد چگونه این ابزارها میتوانند گردش کار آماری را در دنیای واقعی پشتیبانی کنند.

در ادامه مقدمه‌ای از کتاب AI-Assisted Statistics for Data Scientists(3rd Edition) را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب AI-Assisted Statistics for Data Scientists(3rd Edition):

این کتاب که با فصل‌ها و مطالب جدید و گسترده‌ای در حوزهٔ هوش مصنوعی (شبکه‌های عصبی، یادگیری عمیق و هوش مصنوعی مولد) به‌روزرسانی شده، برای دانشمندان داده و مهندسان یادگیری ماشین نوشته شده است که پیش‌تر آشنایی‌ای هرچند پراکنده یا سطحی با آمار داشته‌اند. نمونه‌های کتاب با زبان‌های برنامه‌نویسی آر و پایتون ارائه می‌شوند و آشنایی با این زبان‌ها اگرچه سودمند است، اما با قابلیت «کدنویسی شهودی» (Vibe Coding) ابزارهای مدرن هوش مصنوعی، حتی کسانی که هیچ پیشینه‌ای در برنامه‌نویسی ندارند نیز می‌توانند از این کتاب بهره ببرند.

دو تن از نویسندگان کتاب از دنیای آمار به عرصهٔ علم داده پا گذاشته‌اند و به خوبی نقشی را که آمار می‌تواند در هنر علم داده ایفا کند، درک می‌کنند. با این حال، ما به خوبی از محدودیت‌های آموزش سنتی آمار آگاهیم: آمار به عنوان یک رشته، یک قرن و نیم قدمت دارد و بیشتر کتاب‌ها و دوره‌های درسی آن، بار سنگین شتاب و اینرسی یک کشتی اقیانوس‌پیما را یدک می‌کشند. روش‌های بخش نخست این کتاب، پیوندی تاریخی یا روش‌شناختی با دانش آمار دارند؛ در حالی که شبکه‌های عصبی که زیربنای هوش مصنوعی مدرن هستند، عمدتاً از دل علوم رایانه بیرون آمده‌اند و در بخش پایانی کتاب پوشش داده می‌شوند.

امروزه دانشمندان داده، فعالان حوزهٔ یادگیری ماشین و مهندسان نرم‌افزار، هوش مصنوعی را به عنوان یک ابزار قدرتمند کدنویسی می‌شناسند. اصطلاح «کدنویسی شهودی» به توانایی مدل‌های هوش مصنوعی در تولید کد بر اساس مشخصات (پرامپت) نوشته‌شده به زبان انگلیسی یا سایر زبان‌های طبیعی اشاره دارد. مفهوم مرتبط دیگر، «کدنویسی عامل‌محور» (Agentic Coding) است که دامنهٔ وسیع‌تری داشته و شامل اجرای خودکار وظایف توسط عامل‌های هوش مصنوعی در یک گردش کار ساختاریافته (شامل تعیین هدف و وظیفه، آزمون، اعتبارسنجی و نظارت) می‌شود. در این کتاب، مثال‌هایی در آر و پایتون ارائه شده است. فصل‌های ابتدایی (که بر آمار متمرکزند) عمدتاً در انتهای خود به بحث کدنویسی شهودی می‌پردازند و فصل‌های پایانی نیز هوش مصنوعی را با عمق بیشتری بررسی کرده و کاربرد آن را در کدنویسی با جزییات بیشتر شرح می‌دهند.

شاید بپرسید اگر مدل‌های زبانی بزرگ (LLM) می‌توانند کار را برای ما انجام دهند، چرا باید آمار، کدنویسی و مدل‌های زیربنای هوش مصنوعی را یاد بگیریم؟ اگر می‌توانید از هوش مصنوعی به عنوان ابزاری نیمه‌جادویی برای انجام کارهایتان استفاده کنید، واقعاً چه نیازی به درک مفاهیم بنیادین دارید؟

در پاسخ باید گفت که هوش مصنوعی ممکن است اشتباه کند؛ اشتباهاتی که لزوماً به راحتی قابل تشخیص نیستند. اگر از هوش مصنوعی به درستی در آمار و علم داده استفاده شود، از شما سؤال می‌کند و گزینه‌هایی را پیشنهاد می‌دهد که برای پاسخ به آنها، به آگاهی از مفاهیم آماری پایه نیاز دارید. همچنین اگر درک نسبی از شبکه‌های عصبی و نحوه‌ی توانمندسازی آنها برای یادگیری عمیق و هوش مصنوعی مولد (بر اساس بنیادهای آماری و یادگیری ماشین) داشته باشید، برای درک نقاط قوت و ضعف آنها در جایگاه بهتری قرار خواهید گرفت. اگرچه هوش مصنوعی در ارائهٔ راه‌حل‌های «کتاب درسی» برای مسائل آماری مشخص بسیار کارآمد است، اما هنوز توانایی تفکر انتقادی و حل مسئله‌ای را که برای پیش‌بردن یک پروژهٔ مبهم علم داده از ابتدا تا انتها لازم است، ندارد.

در رابطه با آمار، این کتاب سه هدف اصلی را دنبال می‌کند:
۱. ارائهٔ مفاهیم کلیدی آمار مرتبط با علم داده، به شکلی قابل درک، دسته‌بندی‌شده و قابل ارجاع سریع.
۲. توضیح اینکه کدام مفاهیم از منظر علم داده مهم و مفید هستند، کدام‌ها کمتر اهمیت دارند و چرا.

و در رابطه با هوش مصنوعی نیز اهداف زیر را دنبال می‌کند:
۱. ارائهٔ مروری مفهومی در سطح بالا و با زبانی غیرفنی بر بنیادهای آماری و یادگیری ماشین و همچنین الگوریتم‌های فعلی شبکه‌های عصبی، یادگیری عمیق و هوش مصنوعی مولد.
۲. نشان دادن کاربرد هوش مصنوعی مولد در تحلیل آماری.

لازم به ذکر است که این کتاب به عنوان یک راهنمای عملی برای یادگیری عمیق و هوش مصنوعی مولد در نظر گرفته نشده است.

سرفصل‌های کتاب AI-Assisted Statistics for Data Scientists(3rd Edition):

• Preface
• 1. Exploratory Data Analysis
• 2. Data and Sampling Distributions
• 3. Statistical Experiments and Significance Testing
• 4. Regression and Prediction
• 5. Classification
• 6. Statistical Machine Learning
• 7. Unsupervised Learning
• 8. Neural Networks
• 9. Deep Learning
• 10. Generative AI and Large Language Models
• 11. Caveats and Concerns
• Bibliography
• Index
• About the Authors

جهت دانلود کتاب AI-Assisted Statistics for Data Scientists(3rd Edition) می‌توانید پس از پرداخت، دریافت کنید.