کتاب Starting Data Analytics with Generative AI and Python

کتاب Starting Data Analytics with Generative AI and Python (شروع تحلیل داده‌ها با هوش مصنوعی تولیدی و پایتون) یک راهنمای جامع برای افرادی است که می‌خواهند با تلفیق روش‌های تحلیل داده و هوش مصنوعی تولیدی، مهارت‌های خود را در این حوزه تقویت کنند.

کتاب Starting Data Analytics with Generative AI and Python به صورت گام به گام به معرفی ابزارهای تحلیل داده با استفاده از زبان برنامه‌نویسی پایتون می‌پردازد و توضیح می‌دهد که چگونه می‌توان از مدل‌های زبانی بزرگ (LLMs) و تکنیک‌های هوش مصنوعی برای استخراج بینش‌های کاری و تجزیه‌وتحلیل داده‌ها استفاده کرد.

همچنین، کتاب به بررسی چالش‌ها و ریسک‌های مربوط به استفاده از این تکنیک‌ها می‌پردازد و نکات و استراتژی‌هایی را برای به حداقل رساندن این ریسک‌ها و افزایش دقت تحلیل‌ها ارائه می‌دهد. هدف اصلی این کتاب فراهم کردن منابع و دانش لازم برای تبدیل داده‌های خام به نتایج کاربردی و قابل اجرا در دنیای واقعی است.

در ادامه مقدمه‌ای از کتاب Starting Data Analytics with Generative AI and Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Starting Data Analytics with Generative AI and Python:

خود را در شرایطی قرار دهید که یک سؤال تحلیلی جدید از یک ذینفع تجاری دریافت می‌کنید. اگر این سوالی است که بارها به آن پاسخ داده‌اید، باید بر روی ساده‌سازی تحلیل‌های خود یا استفاده از یک ابزار هوش تجاری برای خودکارسازی فرآیند تولید گزارش‌ها تمرکز کنید. اما اگر این سؤال را برای اولین بار می‌شنوید، از کجا شروع می‌کنید؟

در دنیای رو به تکامل تحلیل داده‌ها، ظهور هوش مصنوعی تولیدی، و به ویژه شکل زبانی آن یعنی مدل‌های زبانی بزرگ (LLMs)، عصر جدیدی از ابزارها و تکنیک‌های قدرتمند را به ارمغان آورده است که می‌توانیم از آن‌ها در این حوزه بهره‌برداری کنیم.

این موضوع چندان هم جای تعجب ندارد، زیرا این مدل‌ها در مدت زمانی بسیار کوتاه در تقریباً هر بخش از تعامل انسان و کامپیوتر کاربرد پیدا کرده‌اند، از کمک به نویسندگان نوپا برای ایجاد ایده‌های داستانی، نوشتن دستورات جدید برای غذاهای وگان، خلاصه‌سازی کتاب‌ها به مقالات، بررسی و اصلاح رزومه‌ها، و بسیاری موارد دیگر.

اینترنت پر از کاربردهای نوآورانه مدل‌های زبانی است و روزانه موارد جدیدی کشف می‌شود. به این موارد، چارچوب‌ها و راه‌حل‌های ترکیبی که مدل‌های زبانی بزرگ را با روش‌های سنتی نرم‌افزاری متنوع ترکیب می‌کنند، همچون LangChain، BabyAGI، Langdock، GradientJ و LlamaIndex، اضافه می‌شود (برای دریافت فهرست به‌روز، وب را بررسی کنید—این فهرست پیش از اتمام نوشتن این جمله قدیمی شد).

در حالی که بسیاری از موارد کاربرد روزمره شامل تبدیل‌های نسبتاً پایه‌ای متن یا تصویر هستند، روز به روز برنامه‌های پیشرفته‌تری از مدل‌های زبانی در شغل و علم ابداع می‌شود که از طیف وسیعی از حرفه‌ها پشتیبانی می‌کند.

در کتاب Starting Data Analytics with Generative AI and Python، هدف ما نشان دادن چگونگی استفاده موفق از هوش مصنوعی تولیدی برای پشتیبانی از عملکرد حیاتی کسب‌وکاری است که بیشترین تجربه را در آن داریم—تحلیل داده‌ها—از ابتدا تا انتهاست.

ما به شما نشان خواهیم داد که چگونه هر مدل به اندازه کافی توسعه‌یافته را به یک مشاور قابل اعتماد تبدیل کنید که در طول مسیر از داده‌های خام به نتایج کسب‌وکار به شما کمک شایانی کند. همچنین به شما خواهیم آموخت که چگونه ریسک‌های مرتبط با تمایل هوش مصنوعی تولیدی به گمراه کردن شما را به حداقل برسانید.

سرفصل‌های کتاب Starting Data Analytics with Generative AI and Python:

• copyright
• dedication
• contents
• foreword
• preface
• acknowledgments
• about this book
  • Who should read this book
  • How to read this book
  • The business data used in the book
  • About the code
  • liveBook discussion forum
• about the authors
• about the cover illustration
• 1 Introduction to the use of generative AI in data analytics
• 2 Using generative AI to ensure sufficient data quality
• 3 Descriptive analysis and statistical inference supported by generative AI
• 4 Using generative AI for result interpretations
• 5 Basic text mining using generative AI
• 6 Advanced text mining with generative AI
• 7 Scaling and performance optimization
• 8 Risk, mitigation, and tradeoffs
• appendix A Specifying multiple DataFrames to ChatGPT v4
• appendix B On debugging ChatGPT’s code
• appendix C On laziness and human errors
• index

جهت دانلود کتاب Starting Data Analytics with Generative AI and Python می‌توانید پس از پرداخت، دریافت کنید.