کتاب Low-Code AI

کتاب Low-Code AI: A Practical Project-Driven Introduction to Machine Learning (هوش مصنوعی کم کد: مقدمه‌ای عملی پروژه محور برای یادگیری ماشین) نکات و سرفصل‌های مهم برنامه‌نویسی هوش مصنوعی را با استفاده از بهترین و بهینه‌ترین روش‌ها آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Low-Code AI را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Low-Code AI:

هوش مصنوعی (AI) را می‌توان به عنوان حوزه مطالعاتی گسترده‌ای تعریف کرد که در آن رایانه‌ها هوش را نشان می‌دهند. عبارت «هوش نشان دهید» مبهم است. می‌توان آن را به عنوان رایانه ای تفسیر کرد که تصمیمی را می‌گیرد که ما از یک موجود زنده انتظار داریم.

مفهوم هوش مصنوعی حداقل در اساطیر از دوران باستان وجود داشته است. یک مثال معروف در این مورد اسطوره یونانی است که در آن تالوس، یک دستگاه خودکار برنزی ساخته شده است تا از اروپا در برابر مهاجمانی که قصد ربودن او را داشتند، محافظت کند. با گذشت قرن‌ها، اشکال اساسی هوش مصنوعی از قلمرو اسطوره به زندگی واقعی منتقل شدند.

در دوران مدرن، هوش مصنوعی خانه خود را در افزایش توانایی‌های انسانی و خودکارسازی تصمیم‌گیری و سایر فرآیندهایی که برای مردم زمان‌بر است، پیدا کرده است. سیستم‌های خبره که برای اولین بار در دهه 1970 توسعه یافتند، یکی از این نمونه‌های هوش مصنوعی مدرن هستند. یک سیستم خبره از یک پایگاه دانش، مجموعه ای از حقایق و قوانین و یک سیستم استنتاج برای ترکیب دانش جدید استفاده می‌کند. عیب اصلی یک سیستم خبره این است که نیاز به زمان و تلاش متخصص حوزه برای ایجاد حقایق و قوانین برای پایگاه دانش دارد.

در دهه‌های اخیر، شکل دیگری از هوش مصنوعی در همه جا فراگیر شده است. یادگیری ماشینی (ML) رشته ای است که در آن کامپیوترها الگوریتم‌ها را از روی داده‌های ارائه شده یاد می‌گیرند به جای اینکه برنامه نویس مجبور باشد الگوریتم‌ها را ارائه دهد. روش دیگری برای بیان این در مقایسه با سیستم‌های خبره این است که ML استفاده از داده‌ها برای کشف قوانین است در مقابل اینکه کارشناسان قوانین را برای شما بنویسند.

امروزه ML تقریباً هر صنعت را لمس می کند. در خرده‌فروشی، ML برای پیش بینی تقاضا، پیش بینی فروش مورد انتظار محصولات یا خدمات ماه‌ها قبل استفاده می‌شود. صنعت سفر از ML برای توصیه نقاط مورد علاقه و مقاصد به مشتریان بر اساس تاریخچه سفر گذشته و سایر اطلاعات استفاده می کند.

در مراقبت‌های بهداشتی، ML می‌تواند نه تنها برای تعیین اینکه آیا یک تصویر اشعه ایکس حاوی یک ریه سالم یا بیمار است، بلکه می‌تواند منطقه ای از تصویر اشعه ایکس را نیز مشخص کند که منجر به عزم متخصصان پزشکی برای بررسی جزئیات بیشتر شده است. . فهرست استفاده‌های فعال ML می‌تواند به تنهایی یک کتاب کامل را پر کند. در این کتاب ما بر روی چند مورد خاص استفاده از ML تمرکز می‌کنیم تا شما را شروع کنید، از جمله فروش کانال‌های رسانه ای تبلیغاتی، تولید انرژی، و ریزش مشتری فقط به نام چند.

با کاربردهای بسیار زیاد ML در صنعت، کشف احتمالات مختلف هیجان انگیز است. یک فرضیه که بسیاری مطرح می‌کنند این است که ML صرفاً یک زمینه مطالعه برای متخصصان است. یعنی تا زمانی که دانش پیش زمینه زیادی در زمینه‌های مختلف (علوم کامپیوتر، ریاضیات، آمار و غیره) نداشته باشید، هیچ امیدی به استفاده از ML در عمل ندارید. ا ون مشخصا قضیه ای نیست که باهاش ​​سر و کار داریم.

در سال‌های اخیر، مفهوم دانشمند داده شهروند بسیار رایج شده است. دانشمند داده شهروندی کسی است که لزوماً دارای تحصیلات رسمی و/یا نقشی در علم داده یا زمینه‌های مرتبط نیست، اما می‌تواند برخی از کارهای علم داده را در کنار سایر تخصص‌های خاص حوزه که روی میز آورده است، انجام دهد. بسیاری از ابزارهای آسان برای استفاده برای ML ایجاد شده است که در دسترس این گروه از افراد است و هدف کتاب Low-Code AI این است که افراد بیشتری را قادر سازد و آن‌ها را تشویق کند تا دانشمند داده شهروند شوند.

بیشتر بخوانید: کتاب AI at the Edge

چه کسی باید کتاب Low-Code AI را بخواند؟

هدف این کتاب این است که به خوانندگان آموزش دهد که چگونه مسائل ML را برای داده‌های ساختاریافته (جدولی) قالب‌بندی کنند، داده‌های خود را برای گردش‌های کاری ML آماده کنند، و مدل‌های ML را با استفاده از راه حل‌های مختلف بدون کد، کم کد و برخی از راه حل‌های کد سفارشی اولیه بسازند و استفاده کنند.

برای درک این اهداف در چارچوب یک مشکل تجاری خاص، فرآیندهای گام به گام را طی خواهید کرد. مخاطبان اصلی کتاب Low-Code AI، تحلیلگران کسب‌وکار، تحلیل‌گران داده، دانش‌آموزان و دانش‌مندان داده شهروند مشتاق هستند که به دنبال یادگیری نحوه اعمال ML در کار خود با استفاده از یادگیری ماشین خودکار (AutoML)، BigQuery ML (با استفاده از SQL) و سفارشی هستند. آموزش زبان پایتون برخی از آشنایی اولیه با تجزیه و تحلیل داده‌ها فرض می‌شود، اما برای بهره‌مندی از مطالعه این کتاب نیازی به متخصص بودن ندارید.

هر کسی که در نظر دارد به سمت علم داده و/یا مهندسی ML حرکت کند، ممکن است این کتاب را اولین قدم عالی به سوی هدف خود بداند. شاغلین ML احتمالاً این کتاب را برای نیازهایشان بسیار ابتدایی می‌دانند، اما ممکن است در صورت ناآشنا بودن، بحث در مورد برخی از ابزارهای مورد استفاده را مفید بدانند.

هیچ دانش قبلی در مورد ML یا یک زبان برنامه نویسی خاص مورد نیاز نیست، اما خوانندگان با دانش اولیه مفاهیم برنامه نویسی، Python و SQL خواندن کتاب را کمی آسان تر خواهند یافت. ما در سراسر کتاب ارجاعاتی به مطالب بنیادی اضافی در متن می‌آوریم. علاوه بر مفاهیم ML و استفاده از مثال‌های مبتنی بر Case، ابزارهای مختلفی مانند Jupyter Notebook و استفاده اولیه از ترمینال لینوکس را نیز بررسی خواهید کرد.

بیشتر بخوانید: کتاب Responsible AI in the Enterprise

آنچه در کتاب Low-Code AI هست و نیست؟

کتاب Low-Code AI به‌عنوان اولین قدم برای کسانی که می‌خواهند پزشک ML شوند، ایجاد شده است، نه به‌عنوان کتابی که شما را به یک متخصص ML تبدیل کند. ما تئوری ML را با جزئیات پوشش نمی‌دهیم، و همچنین همه موضوعاتی را که از آمار و ریاضیات لازم است برای دانشمند داده موفقی، پوشش نمی‌دهیم. ما نظریه‌ای را که برای پروژه‌های مورد بحث در این کتاب Low-Code AI مورد نیاز است، پوشش می‌دهیم تا شما را در کار بر روی پروژه‌های ML سهولت بخشد، اما فراتر رفتن از آن فراتر از محدوده اینجاست. با این حال، ما ارجاعات زیادی به منابعی می‌دهیم که در صورت تمایل به انجام آن می‌توانید عمیق تر غواصی کنید.

فصل‌های 2 و 3 کتاب Low-Code AI انواع مختلفی از داده‌ها را که می‌توان در مسائل ML استفاده کرد و ابزارهای مختلفی را که می‌توان در عمل مورد استفاده قرار داد، مورد بحث قرار می‌دهد. با این حال، هیچ کتابی نمی‌تواند با هر ابزار موجود، تک تک شرایط را پوشش دهد.

ما روی موارد استفاده با داده‌های ساختاریافته تمرکز می‌کنیم و فقط در مورد داده‌های بدون ساختار در فصل‌های 2 و 9 کتاب Low-Code AI بحث مختصری را در مورد ML دنبال می‌کنیم. برخی از جالب‌ترین برنامه‌ها (مثلاً چت‌بات‌های مبتنی بر هوش مصنوعی و تولید تصویر) از داده‌های بدون ساختار استفاده می‌کنند، اما در عمل بیشتر کاربردهای ML در تجارت و صنعت بر مشکلات مربوط به داده‌های ساختاریافته تمرکز دارند.

از نظر ابزار، ما روی طیف محدودی از ابزارها تمرکز می کنیم تا بتوانید روی موارد استفاده تجاری تمرکز کنید. بسته‌های موجود در پایتون مانند NumPy، Seaborn، Pandas، scikit-learn، و TensorFlow در همه صنایع محبوب هستند و ما در کنار بسیاری از موارد استفاده در کتاب Low-Code AI آن‌ها را پوشش می‌دهیم. نوت‌بوک‌های Jupyter همچنین یک استاندارد صنعتی هستند که برای اجرای تعاملی کد پایتون در یک محیط نوت‌بوک استفاده می‌شود.

ما از Google Colab، یک سرویس رایگان Jupyter Notebook، برای اجرای نوت‌بوک‌هایمان استفاده می‌کنیم. علاوه بر این، از ابزارهای دیگر Google Cloud مانند Vertex AI AutoML برای آموزش مدل ML بدون کد و BigQuery برای تجزیه و تحلیل داده‌های SQL و آموزش مدل‌های ML با استفاده از SQL استفاده خواهیم کرد.

سایر ارائه‌دهندگان ابر بزرگ، مانند Microsoft Azure و Amazon Web Services (AWS)، خدمات مشابهی را برای اجرای نوت‌بوک‌های Jupyter، AutoML، تجزیه و تحلیل داده‌ها با SQL و آموزش مدل‌های ML با استفاده از SQL ارائه می‌دهند. ما به شدت تشویق و توصیه می‌کنیم که ابزارهای دیگری را که ذکر می‌کنیم اما در اینجا استفاده نمی‌کنید را بررسی کنید. پیوندهایی برای اطلاعات بیشتر و مستندات در سراسر کتاب Low-Code AI گنجانده شده است.

سرفصل‌های کتاب Low-Code AI:

• Preface
• 1. How Data Drives Decision Making in Machine Learning
• 2. Data Is the First Step
• 3. Machine Learning Libraries and Frameworks
• 4. Use AutoML to Predict Advertising Media Channel Sales
• 5. Using AutoML to Detect Fraudulent Transactions
• 6. Using BigQuery ML to Train a Linear Regression Model
• 7. Training Custom ML Models in Python
• 8. Improving Custom Model Performance
• 9. Next Steps in Your AI Journey
• Index
• About the Authors

جهت دانلود کتاب Low-Code AI می‌توانید پس از پرداخت، دریافت کنید.