کتاب Learn Python Generative AI: Journey from autoencoders to transformers to large language models (یادگیری هوش مصنوعی مولد با پایتون: سفری از رمزگذارهای خودکار تا مبدل‌ها تا مدل‌های زبانی بزرگ) در مورد دنیای پیچیده هوش مصنوعی مولد تحقیق می‌کند و به خوانندگان درک گسترده‌ای از مؤلفه‌ها و کاربردهای مختلف در این زمینه ارائه می‌دهد.
کتاب Learn Python Generative AI دارای 13 فصل است که در مجموع مفاهیم مربوط به هوش مصنوعی مولد را از پایه تا پیشرفته به همراه زبان برنامه‌نویسی پایتون آموزش می‌دهد.
در ادامه مقدمه‌ای از کتاب Learn Python Generative AI را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Learn Python Generative AI:
یادگیری هوش مصنوعی مولد با پایتون: راهنمای جامع و پیشرفته
غوطه‌ور شدن در دنیای هوش مصنوعی مولد
کتاب Learn Python Generative AI «یادگیری هوش مصنوعی مولد با پایتون» راهنمای جامع و کاملی است که شما را به دنیای هوش مصنوعی مولد (Generative AI) وارد می‌کند. این کتاب درک عمیقی از اجزای مختلف و کاربردهای این حوزه به سرعت در حال پیشرفت، ارائه می‌دهد.
بنیان محکم برای درک مدل‌های مولد
کتاب Learn Python Generative AI با یک تحلیل دقیق شروع می‌شود تا پایه‌ای محکم برای کاوش در مدل‌های مولد ایجاد کند. فرآیند ترکیب مدل‌های مولد مختلف به طور عمیق مورد بحث قرار می‌گیرد و نقشه‌راهی برای درک پیچیدگی‌های مرتبط با ادغام مدل‌ها و تکنیک‌های مختلف هوش مصنوعی ارائه می‌دهد.
پیشرفتهای کلیدی در مدل‌های پایه
فصل‌های ابتدایی بر بهبود TransVAE، یک رمزگذار خودکار (variational autoencoder) پیشرفته، با نمایش بهبودهایی در ساختار کدگذار-رمزگشای آن تأکید می‌کنند. این بحث زمینه‌ای را برای بررسی گسترده‌تر تکامل مدل‌های هوش مصنوعی، به ویژه با تمرکز بر گنجاندن مبدل SWIN در هوش مصنوعی مولد، فراهم می‌کند.
بیشتر بخوانید: کتاب Building Generative AI-Powered Apps
کاربردهای عملی هوش مصنوعی مولد در حوزه‌های مختلف
با پیشرفت کتاب Learn Python Generative AI، تمرکز آن به کاربردهای عملی هوش مصنوعی مولد در بخش‌های متنوع تغییر می‌کند. فصل‌های عمیق، پتانسیل تحول‌آفرین آن را در مراقبت‌های بهداشتی، از جمله کاربردها در بیمارستان‌ها، دندانپزشکی و رادیولوژی، بررسی می‌کنند و تأثیر هوش مصنوعی در تشخیص پزشکی و مراقبت از بیمار را برجسته می‌سازند.
نقش هوش مصنوعی مولد در خرده فروشی و امور مالی نیز به طور کامل مورد بررسی قرار گرفته است، با تأکید ویژه بر امور مالی شرکت‌ها و بیمه، که نشان می‌دهد چگونه هوش مصنوعی می‌تواند تعامل با مشتری، ارزیابی ریسک و تصمیم‌گیری را متحول کند.
بیشتر بخوانید: کتاب Generative AI
نگاهی جامع به تأثیر هوش مصنوعی مولد در صنایع مختلف
هر فصل کتاب Learn Python Generative AI خاص بخش با نمونه‌های واقعی، چالش‌ها و راه‌حل‌های نوآورانه غنی می‌شود و دیدگاهی جامع از چگونگی بازسازی صنایع مختلف توسط هوش مصنوعی مولد ارائه می‌دهد.
فصل‌های پایانی: چشم‌انداز آینده هوش مصنوعی مولد
فصل‌های پایانی کتاب Learn Python Generative AI با جمع‌بندی آموزه‌های کلیدی از تمام موضوعات، بینشی نسبت به مسیر آینده هوش مصنوعی مولد ارائه می‌دهند.
بیشتر بخوانید: کتاب Synthetic Data and Generative AI
نگاهی عمیق‌تر به فصل‌های ابتدایی
فصل ۱: معرفی هوش مصنوعی مولد: هدف این فصل از کتاب Learn Python Generative AI، ارائه درک جامعی از مدل‌های مولد است، از جمله نمای کلی از مدل‌های مولد، مقایسه مدل‌های تبعیضی در مقابل مدل‌های مولد، مقدمه‌ای بر انواع مدل‌های تبعیضی و مولد و همچنین نقاط قوت و ضعف آنها. در انتهای این فصل، خوانندگان باید بتوانند بین مدل‌های تبعیضی و مولد تمایز قائل شوند، انواع مختلف هر کدام را درک کنند و تصمیمات آگاهانه‌ای بگیرند که کدام نوع مدل برای نیازهایشان مناسب‌تر است.
فصل ۲: طراحی شبکه‌های مولد رقیب: در این فصل از کتاب Learn Python Generative AI، هدف این است که با کاوش جامع در انواع مختلف شبکه‌های مولد رقیب (GAN) و معماری‌های پیچیده آنها، در چشم‌انداز چندوجهی GANها غوطه‌ور شویم. در انتهای این فصل، خوانندگان به درک درستی از معماری، معادلات و عوامل کلیدی طراحی مرتبط با انواع مختلف GAN مجهز خواهند شد.
این فصل از کتاب Learn Python Generative AI، ضررها و سودهای کدگذار و ژنراتور را تشریح می‌کند، بر انواع محوری GAN از جمله GAN ساده (Vanilla GAN)، GAN畳فده‌ای عمیق (Deep Convolutional GAN)، GAN واسرشتاین (Wasserstein GAN)، GAN شرطی (Conditional GAN)، GAN دوره‌ای (CycleGAN)، GAN پیشرونده (Progressive GAN)، GAN استایلی (StyleGAN) و Pix2Pix تمرکز می‌کند و به چالش‌های اصلی موجود در طراحی معماری‌های مؤثر GAN می‌پردازد.
از طریق تحلیل عمیق هر معماری، خوانندگان دانش لازم برای تصمیم‌گیری آگاهانه در هنگام انتخاب و طراحی GANها برای کارهای مولد مختلف را به دست خواهند آورد.
فصل ۳: آموزش و توسعه شبکه‌های مولد رقیب (GAN)
هدف این فصل از کتاب Learn Python Generative AI درک جامع از فرآیند آموزش و بهینه‌سازی شبکه‌های مولد رقیب (GAN) است. جدیدترین تکنیک‌ها و بهترین شیوه‌ها برای بهبود پایداری و عملکرد مدل‌های GAN در این فصل بررسی می‌شود.
فصل ۴: طراحی رمزگذار خودکار (Autoencoder) برای هوش مصنوعی مولد
هدف اصلی این فصل از کتاب Learn Python Generative AI، کاوش در دنیای جذاب رمزگذارهای خودکار در زمینه هوش مصنوعی مولد است. ما به بررسی عملکرد داخلی رمزگذارهای خودکار، انواع معماری آنها، استراتژی‌های آموزشی و کاربردهایشان در تولید خروجی‌های متنوع و باکیفیت در حوزه‌های مختلف می‌پردازیم.
علاوه بر این، تکنیک‌های پیشرفتهای را که از رمزگذارهای خودکار استفاده می‌کنند، مانند رمزگذارهای خودکار واریاسیونال (VAE) و شبکه‌های مولد رقیب (GAN) را بررسی می‌کنیم که مرزهای هوش مصنوعی مولد را حتی فراتر می‌برد.
در طول این فصل و فصل بعدی کتاب Learn Python Generative AI، همچنین به چالش‌های کلیدی مرتبط با رمزگذارهای خودکار برای کارهای مولد، از جمله مواردی مانند فروپاشی مد (mode collapse)، خروجی‌های مات و ناپایداری در آموزش، می‌پردازیم. ما به بررسی راه‌حل‌ها و استراتژی‌هایی برای کاهش این چالش‌ها خواهیم پرداخت و با ارائه بینش‌های عملی و توصیه‌ها برای ساخت مدل‌های مولد قدرتمند و مؤثر با استفاده از رمزگذارهای خودکار، شما را راهنمایی می‌کنیم.
تا پایان این فصل از کتاب Learn Python Generative AI، خوانندگان درک جامعی از رمزگذارهای خودکار به عنوان ابزاری قدرتمند در حوزه هوش مصنوعی مولد به دست خواهند آورد. آنها تسلطی بر مفاهیم اساسی، ملاحظات عملی و پیشرفتهای نوآورانه خواهند داشت که به آنها امکان می‌دهد رمزگذارهای خودکار را به طور مؤثر در پروژه‌های خود اعمال کنند و پتانسیل مدل‌های مولد را برای ایجاد خروجی‌های واقع‌گرایانه و جدید، شکوفا سازند.
فصل ۵: ساخت و آموزش رمزگذارهای خودکار مولد
اهداف کلیدی این فصل از کتاب Learn Python Generative AI ارائه درک عمیق از رمزگذارهای خودکار و کاربردهای آنها به خواننده است. در پایان این فصل، خوانندگان درک جامعی از مفهوم فضای نهفته (latent space) و اهمیت آن در رمزگذارهای خودکار به دست می‌آورند، مفهوم رمزگذارهای خودکار با ورودی دوگانه و کاربرد آنها در مدیریت مقادیر گمشده و داده‌های چند حالته را بررسی می‌کنند و با انواع توابع زیان (loss function) رایج در رمزگذارهای خودکار و نقش آنها در آموزش و بازسازی آشنا می‌شوند.
خوانندگان همچنین در مورد مسائل بالقوه در طول آموزش، مانند بیش‌برازش (overfitting)، گرادیان‌های ناپدیدشونده (vanishing gradients) و داده‌های نویزی، به همراه استراتژی‌هایی برای کاهش آنها، تکنیک‌های بهینه‌سازی خاص برای رمزگذارهای خودکار جهت آموزش مؤثر مدل و ارتقاء عملکرد، و همچنین درک تفاوت‌های بین رمزگذارهای خودکار و رمزگذارهای خودکار واریاسیونال و مزایای آنها، اطلاعات کسب می‌کنند.
در نهایت، خواننده دانش و مهارت لازم برای استفاده از رمزگذارهای خودکار در سناریوهای عملی برای نمایش داده، تولید داده و تشخیص ناهنجاری به دست خواهد آورد.
فصل ۶: طراحی رمزگذار خودکار واریاسیونال (VAE) مولد
در پایان این فصل از کتاب Learn Python Generative AI، خواننده قادر خواهد بود تا تفاوت‌های اساسی بین VAEها و رمزگذارهای خودکار سنتی را درک کند. همچنین معماری شبکه VAEها، از جمله شبکه‌های رمزگذار و رمزگشا و نقش آنها در یادگیری بازنمایی‌های نهفته را بررسی خواهیم کرد. خواننده همچنین در مورد اصول ریاضیات زیربنای VAEها، از جمله ترفند بازپارامتری‌سازی (reparameterization trick) و تابع هدف ELBO، اطلاعات کسب می‌کند.
این فصل از کتاب Learn Python Generative AI، سپس به تکنیک‌های پیشرفته در VAEها، مانند به کارگیری توزیع‌های پیشین مختلف، استفاده از اشکال مختلف شبکه رمزگذار و مدیریت داده‌های گمشده یا ناقص، می‌پردازد. همچنین روش‌هایی برای تفسیر فضای نهفته یک VAE و تجسم بازنمایی‌های آن کشف خواهیم کرد، قابلیت‌های تولیدی VAEها را با تولید نمونه‌های جدید با استفاده از شبکه رمزگشا بررسی می‌کنیم و در نهایت، دانش و مهارت لازم برای اعمال VAEها در کاربردهای عملی، از جمله تولید تصویر، پردازش زبان طبیعی و تشخیص ناهنجاری را به دست خواهیم آورد.
با دستیابی به این اهداف کلیدی، خوانندگان درک جامعی از VAEها به دست خواهند آورد و قادر خواهند بود از قدرت و انعطاف‌پذیری آنها در حوزه‌های مختلف استفاده کنند و در نهایت، توانایی خود را برای یادگیری و تولید بازنمایی‌های معنادار از داده‌های پیچیده، تقویت کنند.
فصل ۷: ساخت رمزگذارهای خودکار واریاسیونال برای هوش مصنوعی مولد
در پایان این فصل از کتاب Learn Python Generative AI، خواننده گزینه‌های مختلف معماری، از جمله شبکه‌های کانولوشنال (convolutional) یا غیر کانولوشنال (Non-convolutional) را برای مدیریت وابستگی‌های پیچیده در VAEها بررسی کرده است.
همچنین تأثیر واگرایی KL (KL divergence) و توزیع‌های پیشین مختلف بر فرآیند تولید VAEها را بررسی خواهیم کرد و استراتژی‌هایی را برای مدیریت مؤثر داده‌های گمشده یا ناقص در چارچوب VAE توسعه خواهیم داد. خواننده همچنین نقش توابع زیان را درک کرده و به مسائل بالقوه در طول آموزش برای اطمینان از همگرایی پایدار رسیدگی می‌کند، و همچنین عملکرد VAE و قابلیت‌های تولیدی آن را برای انواع مختلف داده‌ها بهینه می‌کند.
با دستیابی به این اهداف کلیدی، خوانندگان درک جامعی از VAEها به دست خواهند آورد و قادر خواهند بود از قدرت و انعطاف‌پذیری آنها در حوزه‌های مختلف استفاده کنند و در نهایت، توانایی خود را برای یادگیری و تولید بازنمایی‌های معنادار از داده‌های پیچیده، تقویت کنند.
فصل ۸: اصول طراحی ترانسفورماتورهای دیداری مولد نسل جدید
در پایان این فصل از کتاب Learn Python Generative AI، خوانندگان درک درستی از ترانسفورماتورها، اصول زیربنایی آنها و کاربردهای مختلف آنها در پردازش زبان طبیعی و بینایی رایانه‌ای خواهند داشت. آنها همچنین دانش لازم برای ساخت، آموزش و تنظیم دقیق مدل‌های ترانسفورماتور برای موارد استفاده خود را خواهند داشت.
خوانندگان یک مقدمه جامع در مورد ترانسفورماتورها به عنوان کلاسی از شبکه‌های عصبی به دست خواهند آورد. این شامل توضیح اهمیت آنها در انقلاب پردازش زبان طبیعی و کاربردهای فعلی آنها در بینایی رایانه‌ای است. سپس، مفاهیم بنیادی ترانسفورماتور را بررسی خواهیم کرد، اصول اولیه و اجزای کلیدی ترانسفورماتورها، مانند مکانیزم‌های خود-توجه (self-attention) و معماری ترانسفورماتور را بررسی می‌کنیم.
این فصل از کتاب Learn Python Generative AI، ترانسفورماتورهای مولد را پوشش می‌دهد و تفاوت‌های اصلی بین ترانسفورماتورهای معمولی و آن‌هایی که برای کارهای مولد طراحی شده‌اند را برجسته می‌کند. جدا از این، خواننده همچنین قادر خواهد بود انواع مختلف توجه، مانند خود-توجه، توجه متقابل (cross-attention) و توجه چند سر (multi-headed attention) را تجزیه و تحلیل کند و کاربردهای خاص آنها را در پردازش تصویر توضیح دهد.
در آخر، ریاضیات ترانسفورماتور و کدگذاری موقعیتی (positional encoding) را بررسی خواهیم کرد.
فصل ۹: پیاده‌سازی ترانسفورماتور دیداری مولد
در این فصل از کتاب Learn Python Generative AI، هدف اصلی ما کاوش و درک تمایزهای اساسی بین ترانسفورماتورهای مولد و ترانسفورماتورهای معمولی است، با تاکید بر تفاوت‌های کلیدی و کاربردهای آنها در حوزه تولید تصویر.
سپس به مدل‌های VAE و کاربرد آنها در مجموعه داده STL (مجموعه داده‌ای استاندارد برای تشخیص الگو) خواهیم پرداخت و بر توانایی آنها در گرفتن ویژگی‌های نهفته و تولید تصاویر تاکید می‌کنیم. بر اساس این بستر، هدف ما بیشتر به تبدیل یک مدل VAE به یک مدل ترانسفورماتور مولد گسترش می‌یابد و نشان‌دهنده ادغام این دو معماری قدرتمند برای بهبود سنتز تصویر است.
در طول فصل، ترانسفورماتورهای مولد و ترانسفورماتورهای معمولی را مقایسه خواهیم کرد. ما تمایزهای بین ترانسفورماتورهای مولد و ترانسفورماتورهای سنتی را از نظر معماری، روش‌های آموزشی و نقاط قوت و ضعف آنها به طور کامل بررسی خواهیم کرد. ما VAEها را برای مجموعه داده STL ایجاد می‌کنیم، سپس به مدل‌های ترانسفورماتور مولد منتقل می‌شویم و اجزای VAE را برای مطابقت با خود-توجه و کدگذاری‌های موقعیتی ترانسفورماتور تطبیق می‌دهیم.
ارزیابی جامع ما کیفیت تصویر، تنوع و سرعت را با مدل‌های سنتی مقایسه می‌کند. همچنین به کاربردهای دنیای واقعی خواهیم پرداخت و توانایی مدل را برای تولید تصاویر متنوع و از نظر بافتاری منسجم نشان خواهیم داد. در نهایت، این فصل از کتاب Learn Python Generative AI، با هدف عمیق‌تر کردن درک ترانسفورماتورهای مولد در مقابل مدل‌های سنتی، راهنمایی در ساخت VAE و آشکارسازی گذار نوآورانه به معماری ترانسفورماتور مولد است.
فصل ۱۰: بازسازی معماری برای مدل‌سازی مولد
در این فصل از کتاب Learn Python Generative AI، هدف اصلی ما کاوش در فرآیند ترکیب و بررسی فرآیند ترکیب هم‌افزایی یک معماری رمزگذار-رمزگشا با یک مدل ترانسفورماتور برای مدل‌سازی مولد پیشرفته در بینایی رایانه‌ای است. ما بررسی خواهیم کرد که چگونه با معرفی تغییرات و بهینه‌سازی‌ها، مدل ترانسفورماتور را ارتقا دهیم، که به بهبود عملکرد و تناسب برای کارهای خاص کمک می‌کند، و کاوش عمیقی در پیاده‌سازی ترانسفورماتور SWIN ارائه می‌دهیم، از جمله جزئیات معماری، اجزا و تمایزهای آن از سایر انواع ترانسفورماتور.
علاوه بر این، این فصل از کتاب Learn Python Generative AI، خوانندگان را با مفاهیم پیشرفتهای که شامل ترکیب تنظیم ابرپارامتر و بازسازی مدل می‌شود، آشنا می‌کند و هدف آن تجهیز خوانندگان به درک جامع از کل فرآیند است، که شامل انگیزه‌های ترکیب معماری‌ها، جزئیات اجرای فنی و درک پیچیدگی‌های مدل ترانسفورماتور SWIN می‌شود.
از طریق این رویکرد جامع، خوانندگان هم دانش نظری و هم مهارت‌های عملی کسب خواهند کرد و زمینه را برای مدل‌سازی مولد نوآورانه با استفاده از معماری‌های ترکیبی رمزگذار-رمزگشا-ترانسفورماتور فراهم می‌کنند.
فصل ۱۱: موانع فنی عمده در هوش مصنوعی مولد و راه پیش رو
بخش‌های اختصاص‌یافته‌ی این فصل از کتاب Learn Python Generative AI، با هدفِ پرده برداشتن از چالش‌ها و راه‌حل‌های نوآورانه در حوزه‌های نمایش داده، بازیابی داده، و درک چندوجهی (فهم ارتباط بین داده‌های شکل‌های مختلف) تألیف شده‌اند. موانع و مشکلات فنی، به طور عمیق به چالش‌های چندبعدی‌ای که در حوزه‌های مختلفی مانند هوش مصنوعی مولد و بینایی رایانه‌ای با آنها روبرو هستیم، می‌پردازند.
جاسازی‌های متن و تصویر دیدگاهی در رابطه با نقش محوری جاسازی‌ها در تبدیل داده‌های متنی و تصویری به بردارهای فشرده و پرمعنا ارائه می‌دهد. این بخش بررسی می‌کند که چگونه جاسازی‌ها درک روابط معنایی و ظرافت‌های بافتاری را در زبان و تصاویر تسهیل می‌کنند. هدف این است که نشان دهیم چگونه جاسازی‌ها شکاف بین داده‌های خام و مدل‌های هوش مصنوعی را پر می‌کنند و به درک بهتر، نمایش و دستکاری انواع مختلف داده‌ها کمک می‌کنند.
پایگاه‌های داده‌ی برداری به ساخت و کاربرد پایگاه‌های داده‌ای می‌پردازد که در آنها آیتم‌ها به صورت بردار نمایش داده می‌شوند. این بخش بر بازیابی کارآمد از طریق فهرست‌بندی، به ویژه جستجوهای مشابهت، تأکید می‌کند. هدف آن روشن کردن ساختارهایی است که امکان پرس‌وجوی سریع و دقیق آیتم‌های مرتبط از نظر معنایی را فراهم می‌کند و اهمیت آنها را در کاربردهای دنیای واقعی نشان می‌دهد.
جستجوی تصویر به تصویر با استفاده از پایگاه‌های داده‌ی برداری Pinecone آزادسازی‌شده به پیاده‌سازی عملی پایگاه‌های داده‌ی برداری برای وظایف جستجوی تصویر می‌پردازد. این بخش بر روی آزادسازی این پایگاه‌های داده برای کاوش آزاد و همچنین نحوه‌ی کارکرد آنها به‌عنوان موتور جستجوی کارآمد تصویر، متمرکز است. هدف این بخش نشان دادن این است که چگونه پایگاه‌های داده‌ی برداری می‌توانند جستجوی تصویر را متحول کنند و شیوه‌ی کشف محتوای بصری مشابه توسط کاربران را در طیف وسیعی از برنامه‌ها، دگرگون سازند.
فصل ۱۲: مرور کلی و کاربرد مدل‌های هوش مصنوعی مولد
در این فصل از کتاب Learn Python Generative AI، سفری را به دنیای پویای نقش فناوری در صنایع مختلف آغاز می‌کنیم، بدون اینکه وارد کدهای پیچیده یا الگوریتم‌ها شویم. دنیایی را تصور کنید که در آن نوآوری‌های پیشرفتهای مانند مدل‌های زبان بزرگ (LLM) و هوش مصنوعی مولد (Gen AI) فراتر از کلمات کلیدی گذرا هستند و به ابزارهای جدایی‌ناپذیر برای بازسازی مراقبت‌های بهداشتی، خرده فروشی، امور مالی و بیمه تبدیل شده‌اند.
داستان در بخش مراقبت‌های بهداشتی آغاز می‌شود، جایی که LLM باعث ساده‌سازی انطباق با قوانین، تجزیه و تحلیل اسناد پزشکی پیچیده و راهنمایی متخصصان در میان پیچ و خم‌های پیچیده مقررات می‌شود. در همین حال، Gen AI با ارائه مشاوره پزشکی شخصی، خودکارسازی تنظیم قرار ملاقات و ارائه اطلاعات حیاتی به بیماران و ارائه دهندگان خدمات بهداشتی، بالاترین سطح مراقبت را تضمین می‌کند.
با انتقال به بخش خرده فروشی، LLM دقت انعقاد قرارداد، انطباق با قوانین و کارایی توافق‌نامه با فروشندگان را تضمین می‌کند. Gen AI با ارائه توصیه‌های شخصی‌سازی‌شده و استراتژی‌های بازاریابی پویا، تجربه مشتری را متحول می‌کند و محیط خرده فروشی متناسب با هر فرد ایجاد می‌کند.
در حوزه مالی، LLM نقش محوری را برعهده می‌گیرد، با ارتقاء ارزیابی ریسک، تشخیص تقلب و تجزیه و تحلیل قراردادها با دقت بی‌نظیر. همزمان، Gen AI با استفاده از چت‌بات‌های مبتنی بر هوش مصنوعی و دستیارهای مجازی، خدمات مشتری را بهینه می‌کند و پاسخ‌های لحظه‌ای و مبتنی بر زمینه را برای سؤالات مالی ارائه می‌دهد.
در نهایت، در بخش بیمه، LLM باعث کارآمدی در رسیدگی به مطالبات، کشف تقلب و انطباق با مقررات می‌شود. Gen AI با بازسازی فرآیندهای بیمه‌پذیری، ایجاد پیشنهادات بیمه‌ای شخصی‌سازی‌شده و ارتقای تعامل با مشتری، صنعت بیمه را متحول می‌کند.
فصل ۱۳: نکات کلیدی
هدف این فصل از کتاب Learn Python Generative AI، خلاصه کردن و استخراج آموزه‌ها و بینش‌های اصلی از فصل‌های یک تا دوازده است. این فصل با هدف ارائه خلاصه‌ای جامع، برجسته کردن مفاهیم کلیدی، نکات مهم و آموزه‌های قابل توجه به دست آمده از هر فصل قبلی است.
این فصل از کتاب Learn Python Generative AI، با تثبیت این دانش، درک کلی از موضوع را ارائه می‌دهد، ایده‌های کلیدی را تقویت می‌کند و خوانندگان را برای کاوش بیشتر یا کاربرد اصول مورد بحث آماده می‌کند. در نهایت، هدف ارتقای درک، نگه‌داری و کاربرد عملی حکمت انباشته‌شده‌ی به دست آمده در طول فصول گذشته است.
سرفصل‌های کتاب Learn Python Generative AI:
1. Introducing Generative AI
2. Designing Generative Adversarial Networks
3. Training and Developing Generative Adversarial Networks
4. Architecting Auto Encoder for Generative AI
5. Building and Training Generative Autoencoders
6. Designing Generative Variation Auto Encoder
7. Building Variational Autoencoders for Generative AI
8. Fundamental of Designing New Age Generative Vision Transformer
9. Implementing Generative Vision Transformer
10. Architectural Refactoring for Generative Modeling
11. Major Technical Roadblocks in Generative AI and Way Forward
12. Overview and Application of Generative AI Models
13. Key Learnings
جهت دانلود کتاب Learn Python Generative AI می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.