کتاب Transformer, BERT, and GPT: Including ChatGPT and Prompt Engineering (ترانسفورماتور، BERT و GPT: از جمله ChatGPT و مهندسی سریع) در 10 فصل مختلف به شرح ابزارهای هوش مصنوعی مانند GPT و BERT خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Transformer, BERT, and GPT را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Transformer, BERT, and GPT:
ارزش پیشنهادی برای این کتاب چیست؟
این کتاب با مفاهیم اساسی مانند مکانیسم توجه آغاز می‌شود، تکنیک‌های توکن‌سازی را پوشش می‌دهد، تفاوت‌های ظریف معماری‌های ترانسفورماتور و BERT را بررسی می‌کند و به موضوعات پیشرفته مرتبط با جدیدترین سری‌های GPT، از جمله ChatGPT، ختم می‌شود.
فصل‌های کلیدی بینش‌هایی را در مورد تکامل و اهمیت توجه در یادگیری عمیق، پیچیدگی‌های معماری ترانسفورماتور، کاوش دو قسمتی خانواده BERT و راهنمایی عملی در مورد کار با GPT-۳ ارائه می‌دهند. فصل‌های پایانی مروری بر ChatGPT، GPT-۴ و دنیای تجسم با استفاده از DALL-E و هوش مصنوعی مولد ارائه می‌دهند.
علاوه بر موضوعات اصلی، این سند همچنین سازمان‌های با نفوذ هوش مصنوعی مانند DeepMind، OpenAI، Cohere، Hugging Face و غیره را توصیف می‌کند. از طریق این راهنما، خوانندگان به درک جامعی از چشم انداز فعلی مدل‌های NLP، معماری‌های زیربنایی و کاربرد‌های عملی آن‌ها دست خواهند یافت.
بیشتر بخوانید: کتاب ChatGPT For Dummies
مخاطبان هدف
این کتاب در درجه اول برای افرادی در نظر گرفته شده است که دانش اولیه یادگیری ماشین یا توسعه‌دهندگان نرم‌افزاری دارند که علاقه‌مند به کار با LLM هستند. به طور خاص، این کتاب برای خوانندگانی است که عادت به جستجوی آنلاین برای اطلاعات دقیق‌تر در مورد موضوعات فنی دارند. اگر مبتدی هستید، کتاب‌های دیگری نیز وجود دارند که ممکن است برای شما مناسب‌تر باشند و با جستجوی آنلاین می‌توانید آن‌ها را پیدا کنید.
کتاب Transformer, BERT, and GPT همچنین برای دستیابی به مخاطبان بین‌المللی از خوانندگان با پیشینه‌های بسیار متنوع در گروه‌های سنی مختلف در نظر گرفته شده است. علاوه بر این، این کتاب به جای عبارات محاوره‌ای که ممکن است برای آن خوانندگان گیج‌کننده باشد، از انگلیسی استاندارد استفاده می‌کند. این کتاب یک تجربه یادگیری راحت و معنادار را برای خوانندگان مورد نظر فراهم می‌کند.
آیا باید بخش‌های تئوری این کتاب را بیاموزم؟
بار دیگر، پاسخ به میزانی بستگی دارد که قصد دارید در کار با LLM و هوش مصنوعی مولد مشارکت داشته باشید. علاوه بر ایجاد یک مدل، از الگوریتم‌های مختلفی استفاده خواهید کرد تا ببینید کدام یک سطح دقت (یا برخی معیار‌های دیگر) را که برای پروژه شما نیاز دارید را ارائه می‌دهند. به طور کلی، احتمالاً ارزش آن را دارد که جنبه‌های نظری بیشتری از LLM که در این کتاب مورد بحث قرار گرفته‌اند را بیاموزیم.
بیشترین بهره را از این کتاب ببرید
برخی افراد از نثر به خوبی یاد می‌گیرند، برخی دیگر از نمونه کد (و بسیاری از آن) به خوبی یاد می‌گیرند، به این معنی که هیچ سبک واحدی وجود ندارد که بتوان برای همه استفاده کرد.
علاوه بر این، برخی از برنامه‌نویسان می‌خواهند ابتدا کد را اجرا کنند، ببینند چه کار می‌کند، و سپس به کد بازگردند تا جزئیات را بررسی کنند (و برخی دیگر از روش مخالف استفاده می‌کنند).
در نتیجه، انواع مختلفی از نمونه‌های کد در این کتاب وجود دارد: برخی کوتاه، برخی طولانی، و نمونه‌های کد دیگر از نمونه‌های کد قبلی ساخته می‌شوند.
برای این کتاب چه چیز‌هایی باید بدانم؟
اگرچه این کتاب در طبیعت مقدماتی است، اما برخی از دانش Python ۳. x با قطعاً برای نمونه کد مفید خواهد بود. دانش سایر زبان‌های برنامه‌نویسی (مانند جاوا) نیز به دلیل قرار گرفتن در معرض مفاهیم و ساختار‌های برنامه‌نویسی می‌تواند مفید باشد. هرچه دانش فنی کمتری داشته باشید، برای درک موضوعات مختلفی که تحت پوشش قرار می‌گیرند به دقت بیشتری نیاز خواهید داشت.
اگر می‌خواهید مطمئن شوید که می‌توانید مطالب این کتاب را درک کنید، به برخی از نمونه‌های کد نگاهی بیندازید تا متوجه شوید که چقدر برای شما آشناست و چقدر برای شما جدید است.
آیا این کتاب حاوی نمونه کد‌های سطح تولید است؟
کتاب Transformer, BERT, and GPT شامل نمونه‌های کد پایه است که به زبان پایتون نوشته شده‌اند و هدف اصلی آن‌ها نشان دادن نحوه دسترسی به عملکرد LLMهایی مانند BERT و GPT-۳ است.
علاوه بر این، وضوح اولویت بالاتری نسبت به نوشتن کد فشرده‌تری دارد که درک آن دشوارتر است (و احتمالاً مستعد اشکالات). اگر تصمیم به استفاده از کد‌های موجود در این کتاب دارید، باید آن کد را به همان تجزیه و تحلیل دقیقی که سایر بخش‌های پایه کد خود می‌پردازید، قرار دهید.
پیش نیاز‌های غیر فنی این کتاب چیست؟
اگرچه تعیین پاسخ به این سؤال دشوارتر است، اما مهم است که میل به یادگیری در مورد NLP، همراه با انگیزه و نظم برای خواندن و درک نمونه کد‌ها داشته باشید. به عنوان یک یادآوری، حتی APIهای ساده می‌توانند در اولین باری که با آن‌ها روبرو می‌شوید درک آن‌ها چالش برانگیز باشند، بنابراین آماده باشید که نمونه کد‌ها را چندین بار بخوانید.
سرفصل‌های کتاب Transformer, BERT, and GPT:
- Front Cover
- Half-Title Page
- LICENSE, DISCLAIMER OF LIABILITY, AND LIMITED WARRANTY
- Title Page
- Copyright Page
- Dedication
- Contents
- Preface
- Chapter 1 Introduction
- Chapter 2 Tokenization
- Chapter 3 Transformer Architecture Introduction
- Chapter 4 Transformer Architecture in Greater Depth
- Chapter 5 The BERT Family Introduction
- Chapter 6 The BERT Family in Greater Depth
- Chapter 7 Working with GPT-3 Introduction
- Chapter 8 Working with GPT-3 in Greater Depth
- Chapter 9 ChatGPT and GPT-4
- Chapter 10 Visualization with Generative Al
- Index
جهت دانلود کتاب Transformer, BERT, and GPT می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.