کتاب Grokking AI Algorithms, Second Edition: How AI solves complex problems 2nd Edition (درک عمیق الگوریتمهای هوش مصنوعی، ویرایش دوم: چگونه هوش مصنوعی مسائل پیچیده را حل میکند) نوشتهٔ ریشال هوربانز، یک راهنمای تصویری و عملی برای درک الگوریتمهای هوش مصنوعی از مفاهیم پایه تا پیشرفتهترین مدلها مانند مدلهای زبانی بزرگ (LLM) و مدلهای(Diffusion) برای تولید تصویر است.
کتاب Grokking AI Algorithms با زبانی ساده، مثالهای ملموس، و پروژههای عملی (مانند حل پیچوخم با الگوریتمهای جستوجو یا پارک خودرو با یادگیری تقویتی) به شما یاد میدهد که چطور نوع مسئله را تشخیص دهید، الگوریتم مناسب را انتخاب کنید، و آن را پیادهسازی نمایید . نسخهٔ دوم نسبت به نسخه قبل کاملاً بازبینی شده و فصلهای جدیدی دربارهٔ فناوریهای مولد (Generative AI) به آن اضافه شده است.
در ادامه مقدمهای از کتاب Grokking AI Algorithms را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Grokking AI Algorithms:
کتاب Grokking AI Algorithms (درک الگوریتمهای هوش مصنوعی) با هدف سادهسازی درک و پیادهسازی الگوریتمهای هوش مصنوعی و کاربرد آنها در حل مسائل نوشته و تصویرسازی شده است. این کتاب تلاش میکند از طریق شباهتهای ملموس (آنالوژی)، مثالهای کاربردی و توضیحات بصری، این مباحث را برای افراد عادی فعال در صنعت تکنولوژی دسترسپذیرتر کند.
چه کسانی باید کتاب Grokking AI Algorithms را بخوانند؟
این کتاب برای توسعهدهندگان نرمافزار و تمام کسانی است که در صنعت نرمافزار فعالیت دارند و میخواهند به جای غرق شدن در مباحث نظری عمیق و اثباتهای ریاضی، از طریق مثالهای عملی و توضیحات بصری، بینش لازم را کسب کرده و مکانیزمها و الگوریتمهای پشت پرده هوش مصنوعی را کشف کنند.
کتاب Grokking AI Algorithms برای هر کسی که با مفاهیم پایه برنامهنویسی کامپیوتر (از جمله متغیرها، انواع دادهها، آرایهها، جملات شرطی، تکرارگرها، کلاسها و توابع) آشنایی داشته باشد، مناسب است. تجربه کار با هر زبان برنامهنویسی برای این کتاب کافی است. همچنین، مطالعه این کتاب به کسانی توصیه میشود که مفاهیم پایه ریاضی مانند متغیرهای داده، نمایش توابع و چگونگی رسم دادهها و توابع روی نمودار را درک میکنند.
داشتن درکی بنیادین از الگوریتمهای هوش مصنوعی برای بسیاری از نقشها در صنعت نرمافزار در حال تبدیل شدن به یک ضرورت است. روزگاری که هوش مصنوعی صرفاً در انحصار دانشمندان پژوهشگر و آزمایشگاههای آکادمیک بود، به پایان رسیده است. امروزه، هوش مصنوعی به تقویت موتورهای جستجو، بهینهسازی مسیرهای توزیع و شخصیسازی رابطهای کاربری کمک میکند.
با تبدیل شدن این ابزارها به اجزای استاندارد پشتههای نرمافزاری (Software Stack)، مهندسان، مدیران محصول و معماران سیستم باید فراتر از یک «جعبه سیاه» به موضوع نگاه کنند تا مکانیکِ محرک آنها را درک کنند. با درک شهودیِ پشت این الگوریتمها، ما از مصرفکنندگان صرفِ APIها، به سازندگان سیستمهای هوشمندتر و مقاومتر تبدیل میشویم.
ساختار کتاب Grokking AI Algorithms: نقشه راه
این کتاب شامل ۱۲ فصل است که هر کدام بر یک الگوریتم یا رویکرد الگوریتمی متفاوت تمرکز دارند. فصلهای ابتدایی مفاهیم و الگوریتمهای پایهای را پوشش میدهند که زیربنای یادگیری الگوریتمهای پیچیدهتر در فصول بعدی را تشکیل میدهند.
فصل ۱: شهود هوش مصنوعی – معرفی درک شهودی و مفاهیم بنیادین پیرامون دادهها، انواع مسائل، دستهبندی الگوریتمها و پارادایمها، و موارد استفاده از الگوریتمهای هوش مصنوعی.
فصل ۲: مبانی جستجو – پوشش مفاهیم اصلی ساختار دادهها و رویکردهای الگوریتمهای جستجوی اولیه و کاربرد آنها.
فصل ۳: جستجوی هوشمند – فراتر رفتن از الگوریتمهای جستجوی اولیه و معرفی الگوریتمهایی برای یافتن بهینهترِ راهحلها و همچنین حل مسائل در محیطهای رقابتی.
فصل ۴: الگوریتمهای تکاملی – بررسی عمیق عملکرد الگوریتمهای ژنتیک که در آنها راهحلهای مسائل با تقلید از تکامل در طبیعت، به صورت تکرارشونده تولید شده و بهبود مییابند.
فصل ۵: رویکردهای تکاملی پیشرفته – ادامه مبحث الگوریتمهای ژنتیک با پرداختن به مفاهیم پیشرفته درباره چگونگی تنظیم مراحل الگوریتم برای حل بهینهتر انواع مختلف مسائل.
فصل ۶: هوش جمعی (مورچهها) – بررسی شهودی هوش جمعی و نحوه عملکرد الگوریتم بهینهسازی کلونی مورچگان (ACO) با استفاده از تئوری زندگی و کار مورچهها برای حل مسائل دشوار.
فصل ۷: هوش جمعی (ذرات) – ادامه مبحث الگوریتمهای جمعی و بررسی مسائل بهینهسازی و چگونگی حل آنها با استفاده از بهینهسازی توده ذرات (PSO) برای یافتن راهحلهای مناسب در فضاهای جستجوی بزرگ.
فصل ۸: یادگیری ماشین – بررسی گردش کار (Workflow) یادگیری ماشین برای آمادهسازی، پردازش، مدلسازی و آزمایش دادهها جهت حل مسائل رگرسیون (با رگرسیون خطی) و مسائل طبقهبندی (با درختهای تصمیم).
فصل ۹: شبکههای عصبی مصنوعی – آشکارسازی شهود، گامهای منطقی و محاسبات ریاضی در آموزش و استفاده از یک شبکه عصبی مصنوعی (ANN) برای یافتن الگوها در دادهها و پیشبینی، ضمن تاکید بر جایگاه آن در فرآیند یادگیری ماشین.
فصل ۱۰: یادگیری تقویتی – پوشش درک شهودی یادگیری تقویتی از دیدگاه روانشناسی رفتاری و بررسی الگوریتم Q-learning برای عاملهایی (Agents) که تصمیمات خوب و بد را در یک محیط یاد میگیرند.
فصل ۱۱: مدلهای زبانی بزرگ (LLM) – بررسی خط لوله داده (Data Pipeline) برای آموزش مدلهای زبانی با استفاده از معماری ترنسفورمر، که در آن دادههای متنی به اعداد قابل فهم برای ماشین تبدیل شده و معنا از طریق روابط کشف میشود تا خروجی متنی هوشمند تولید گردد.
فصل ۱۲: مدلهای مولد تصویر – پوشش شهود و فرآیند تولید تصویر با استفاده از انتشار (Diffusion) و نمایش نحوه یادگیری مدل از یک دستور متنی (Prompt) برای تبدیل نویز تصادفی به تصویر مطلوب.
فصلها باید به ترتیب از ابتدا تا انتها خوانده شوند، زیرا مفاهیم و درک مطالب به موازات پیشرفت فصلها ساخته میشوند. توصیه میشود پس از مطالعه هر فصل، به کدهای پایتون در مخزن (Repository) کتاب مراجعه کنید تا با آزمایش آنها، بینش عملی نسبت به چگونگی پیادهسازی هر الگوریتم به دست آورید.
سرفصلهای کتاب Grokking AI Algorithms:
- Grokking AI Algorithms Second Edition
- brief contents
- contents
- preface
- acknowledgments
- about this book
- about the author
- 1 Intuition of AI
- 2 Search fundamentals
- 3 Intelligent search
- 4 Evolutionary algorithms
- 5 Advanced evolutionary approaches
- 6 Swarm intelligence: Ants
- 7 Swarm intelligence: Particles
- 8 Machine learning
- 9 Artificial neural networks
- 10 Reinforcement learning
- 11 Large language models
- 12 Generative image models
- index
جهت دانلود کتاب Grokking AI Algorithms میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.