کتاب Ultimate Neural Network Programming with Python

کتاب Ultimate Neural Network Programming with Python: Create Powerful Modern AI Systems by Harnessing Neural Networks with Python, Keras, and TensorFlow (برنامه‌نویسی نهایی شبکه عصبی با پایتون: با استفاده از شبکه های عصبی با پایتون، کراس و تنسورفلو، سیستم های هوش مصنوعی قدرتمندی ایجاد کنید) در 11 فصل به شرح مفاهیم شبکه عصبی و پیاده‌سازی آن‌ها با استفاده از کتابخانه‌های معروف پایتون از جمله Keras و TensorFlow خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Ultimate Neural Network Programming with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Ultimate Neural Network Programming with Python:

این کتاب کاوشی جامع از هوش مصنوعی (AI) ارائه می‌کند که با درک بنیادی از تاریخچه، پیشرفت‌های مهم و تکامل آن در زمینه‌های فرعی مختلف آغاز می‌شود.

فصل‌های اولیه، زمینه‌های نظری را بیان می‌کنند، بین هوش مصنوعی و یادگیری عمیق و توضیح مفاهیم و مدل‌های اساسی مانند شبکه‌های الهام‌گرفته از نورون‌ها. با پیشرفت متوالی، بینش‌های عملی را در مورد راه‌اندازی گردش‌های کاری پایتون برای توسعه هوش مصنوعی، با تمرکز بر نصب بسته‌های ضروری و پیکربندی محیط‌های توسعه ارائه می‌دهد.

بیشتر بخوانید: کتاب Automated Deep Learning Using Neural Network Intelligence

این کتابخانه‌ها و مفاهیم برنامه‌نویسی اساسی پایتون را معرفی می‌کند که برای توسعه هوش مصنوعی و علم داده حیاتی هستند، و درک مطلب را از طریق اسکراپینگ وب، regex و بحث‌های چند رشته‌ای افزایش می‌دهد.

با حرکت رو به جلو، این کتاب عمیق‌تر به موضوعات پیشرفته می‌پردازد و مفاهیم آموزش شبکه‌های عصبی مؤثر، تکنیک‌های کاهش ابعاد و یادگیری بدون نظارت را پوشش می‌دهد.

خوانندگان کتاب Ultimate Neural Network Programming with Python از طریق ساخت شبکه‌های عصبی از ابتدا، با تأکید بر درک ساختار‌های داده‌های مختلف و اجرای شبکه‌های چند لایه با استفاده از NumPy هدایت می‌شوند.

فصل‌های بعدی کتاب Ultimate Neural Network Programming with Python به‌طور فشرده شبکه‌های عصبی کانولوشنال (CNN) را بررسی می‌کنند و بینش‌هایی را در مورد TensorFlow و Keras ارائه می‌کنند و تضاد‌های بین TensorFlow و سایر چارچوب‌های یادگیری عمیق را برجسته می‌کنند.

فصل‌های پایانی کتاب Ultimate Neural Network Programming with Python بر ساختار کد یادگیری عمیق، ساخت خطوط لوله تقسیم‌بندی تصویر سرتاسر و ارائه آخرین پیشرفت‌ها و تکنیک‌ها در هوش مصنوعی متمرکز هستند و اطمینان حاصل می‌کنند که خوانندگان به خوبی با پیشرفت‌های پیشرفته در این زمینه آشنا هستند.

بیشتر بخوانید: کتاب Hands-On Graph Neural Networks Using Python

فصل ۱: این فصل هوش مصنوعی را معرفی می‌کند و مراحل تکاملی و زمینه‌های فرعی آن را برجسته می‌کند. هدف این است که درک درستی از تاریخچه هوش مصنوعی و نحوه انشعاب آن در حوزه‌های مختلف، با تأکید بر رفتار هوشمندانه مانند یادگیری، استدلال و زبان ایجاد کند.

تفاوت‌های بین هوش مصنوعی و یادگیری عمیق را مورد بحث قرار می‌دهد، مدل‌های اولیه شبکه الهام‌گرفته از نورون‌ها را نشان می‌دهد و به پیشرفت‌های مهمی مانند ChatGPT اشاره می‌کند.

فصل ۲: این فصل به عنوان راهنمای عملی برای راه‌اندازی محیط پایتون برای توسعه هوش مصنوعی، از جمله نصب بسته‌های لازم و پیکربندی محیط‌هایی مانند Anaconda و VS Code عمل می‌کند. همچنین مفاهیم برنامه‌نویسی شی گرا (OOP) که برای توسعه حیاتی است را معرفی می‌کند.

فصل ۳: این فصل از کتاب Ultimate Neural Network Programming with Python، کتابخانه‌های مختلف پایتون و تکنیک‌های ضروری برای دانشمندان داده را مورد بحث قرار می‌دهد، با تمرکز بر خراش دادن وب، عبارات منظم، چند رشته، پردازش چندگانه، و معرفی اصول اولیه پاندا‌ها.

فصل ۴: این فصل به مفاهیم اساسی حیاتی برای آموزش شبکه‌های عصبی، مانند توابع فعال‌سازی، برازش بیش از حد، مبادله بایاس واریانس، و اصل تقریب دهنده‌های جهانی می‌پردازد. مفاهیمی مانند تابع بایاس شعاعی و نفرین ابعاد را معرفی می‌کند و بینش‌هایی را در قلمرو شبکه‌های عصبی ارائه می‌کند.

فصل ۵: این فصل تکنیک‌های کاهش ابعاد و یادگیری بدون نظارت را توضیح می‌دهد و به موضوعاتی مانند PCA، خوشه‌بندی، یادگیری نیمه‌نظارت‌شده و یادگیری خود نظارت می‌پردازد. همچنین فضای نسخه و بهینه‌سازی را از طریق SVM بررسی می‌کند، اشکال مختلف SVM و ترفند هسته را روشن می‌کند.

فصل ۶: این فصل از کتاب Ultimate Neural Network Programming with Python یک رویکرد عملی برای نشان دادن ساخت شبکه‌های عصبی از ابتدا دارد. این برنامه در مورد کدگذاری نورون‌ها، درک ساختار‌های مختلف داده مانند لیست‌ها، آرایه‌ها و تانسور‌ها بحث می‌کند و بینش‌هایی را برای ایجاد شبکه‌های چند لایه با استفاده از NumPy ارائه می‌دهد.

فصل ۷: این فصل عمیقاً به بهینه‌سازی وزن‌ها از طریق مشتقات و پس انتشار می‌پردازد. این به جزئیات ریاضیات و اجرای پس انتشار می‌پردازد و بهینه‌ساز‌های مختلفی مانند SGD و Adam را معرفی می‌کند و بر شبکه‌های آموزشی انتها به انتها تأکید می‌کند.

فصل ۸: این فصل از کتاب Ultimate Neural Network Programming with Python، به تشریح شبکه‌های عصبی کانولوشن (CNN)، عملیات، استخراج ویژگی و انواع آن‌ها می‌پردازد و شبکه‌های مختلف مبتنی بر CNN مانند VGG ۱۶، ResNet و غیره را معرفی می‌کند. انواع مختلف پیچیدگی را مورد بحث قرار می‌دهد و بینش‌هایی را در مورد مقیاس‌بندی شبکه‌های conv از طریق معماری شبکه کارآمد ارائه می‌دهد.

فصل ۹: این فصل مروری بر TensorFlow و Keras ارائه می‌کند، که تنسورفلو را با دیگر چارچوب‌های یادگیری عمیق مانند PyTorch و Theano مقایسه می‌کند. این اطلاعات بینش‌هایی را در مورد اجزای داخلی و اجزای مختلف TensorFlow ارائه می‌کند، در مورد لایه‌ها، فعال‌سازی‌ها، بهینه‌ساز‌ها و توابع از دست دادن بحث می‌کند، و ساخت یک شبکه تک خروجی چند ورودی با تماس‌های سفارشی را نشان می‌دهد.

فصل ۱۰: این فصل از کتاب Ultimate Neural Network Programming with Python، بر ساختار کد‌های یادگیری عمیق و ایجاد یک خط لوله تقسیم‌بندی تصویر انتها به انتها تمرکز دارد. این بر ساختار پروژه، مستندسازی، اشکال زدایی و ورود به سیستم تأکید می‌کند و تکنیک‌های تقسیم‌بندی مانند UNet و Attention Gates را معرفی می‌کند.

فصل ۱۱: فصل آخر به مفاهیم و مدل‌های پیشرفته هوش مصنوعی، از جمله RNN، LSTM، مکانیسم‌های توجه به خود، تشخیص‌اشیا با YOLO و مدل‌های تولیدی مانند VAE و GAN می‌پردازد. درک دقیقی از مدل‌های مختلف هوش مصنوعی مانند DALLE-۲ ارائه می‌دهد و استفاده از توجه به خود برای ترانسفورماتور‌ها در پردازش زبان طبیعی (NLP) را توضیح می‌دهد.

این کتاب به عنوان یک راهنمای جامع عمل می‌کند که از مبانی و تاریخچه هوش مصنوعی شروع می‌شود، به جنبه‌های عملی و مفاهیم اساسی می‌پردازد و با آخرین پیشرفت‌ها در این زمینه به پایان می‌رسد.

سرفصل‌های کتاب Ultimate Neural Network Programming with Python:

• Cover Page
• Title Page
• Copyright Page
• Dedication Page
• About the Author
• About the Technical Reviewers
• Welcome note
• Acknowledgements
• Preface
• Errata
• Table of Contents
• 1. Understanding AI History
• 2. Setting up Python Workflow for AI Development
• 3. Python Libraries for Data Scientists
• 4. Foundational Concepts for Effective Neural Network Training
• 5. Dimensionality Reduction, Unsupervised Learning and Optimizations
• 6. Building Deep Neural Networks from Scratch
• 7. Derivatives, Backpropagation, and Optimizers
• 8. Understanding Convolution and CNN Architectures
• 9. Understanding Basics of TensorFlow and Keras
• 10. Building End-to-end Image Segmentation Pipeline
• 11. Latest Advancements in AI
• Index

جهت دانلود کتاب Ultimate Neural Network Programming with Python می‌توانید پس از پرداخت، دریافت کنید.