کتاب AI and ML for Coders in PyTorch

یادگیری AI و ماشین‌لرنینگ با PyTorch: راهنمای عملی برای برنامه‌نویسان

آشنایی با کتاب

کتاب یادگیری AI و ماشین‌لرنینگ با PyTorch، نوشته لارنس مورونی، راهنمایی عملی و کد-محور برای برنامه‌نویسانی است که می‌خواهند بدون نیاز به دانش پیشرفته ریاضی، مفاهیم پیچیده هوش مصنوعی (AI) و یادگیری ماشین را درک کرده و مدل‌های واقعی بسازند. این کتاب با تمرکز بر PyTorch، از بینایی کامپیوتری و پردازش زبان طبیعی (NLP) تا هوش مصنوعی مولد با استفاده از Hugging Face Transformers، شما را در ساخت مدل‌های کاربردی هدایت می‌کند. همچنین، با آموزش استقرار مدل‌ها در وب و ابر، مهارت‌های موردنیاز برای توسعه AI مدرن را ارائه می‌دهد. خرید نسخه چاپی یا کیندل شامل یک نسخه رایگان eBook در فرمت PDF است.

چرا این کتاب را بخوانید؟

اگر برنامه‌نویس هستید و می‌خواهید وارد دنیای AI و ماشین‌لرنینگ شوید اما از پیچیدگی‌های ریاضی هراس دارید، این کتاب نقطه شروع ایده‌آلی است. با رویکردی عملی و بدون نیاز به پیش‌زمینه نظری عمیق، این کتاب شما را در ساخت مدل‌های AI برای کاربردهای واقعی مانند تشخیص تصویر، تحلیل احساسات و تولید محتوا یاری می‌کند. از یادگیری اصول PyTorch تا استفاده از مدل‌های پیشرفته مانند Transformers و Diffusers، این کتاب مهارت‌های پرتقاضا در صنعت AI را به شما می‌آموزد. مثال‌های کد-محور و پروژه‌های عملی، یادگیری را جذاب و قابل‌فهم می‌کنند.

ویژگی‌های کلیدی کتاب

بخش اول: مبانی PyTorch و بینایی کامپیوتری

• مقدمه‌ای بر PyTorch: آشنایی با کتابخانه PyTorch و ابزارهای آن.

• مقدمه‌ای بر بینایی کامپیوتری: ساخت مدل‌های تشخیص تصویر.

• فراتر از مبانی: تشخیص ویژگی‌ها در تصاویر: تکنیک‌های پیشرفته بینایی کامپیوتری.

• کار با داده‌ها در PyTorch: مدیریت داده‌ها برای مدل‌سازی.

بخش دوم: پردازش زبان طبیعی (NLP)

• مقدمه‌ای بر پردازش زبان طبیعی: اصول اولیه NLP.

• برنامه‌ریزی احساسات با استفاده از امبدینگ‌ها: تحلیل احساسات متنی.

• شبکه‌های عصبی بازگشتی برای NLP: پردازش متن‌های متوالی.

• ایجاد متن با ML: تولید محتوای متنی خودکار.

بخش سوم: مدل‌های توالی و سری‌های زمانی

• درک داده‌های توالی و سری‌های زمانی: تحلیل داده‌های متوالی.

• ایجاد مدل‌های ML برای پیش‌بینی توالی‌ها: پیش‌بینی سری‌های زمانی.

• استفاده از روش‌های کانولوشنی و بازگشتی برای مدل‌های توالی: ترکیب تکنیک‌ها.

بخش چهارم: استقرار و مدل‌های پیشرفته

• مفاهیم استنتاج: اجرای مدل‌ها در محیط‌های واقعی.

• میزبانی مدل‌های PyTorch برای سرویس‌دهی: استقرار مدل‌ها در وب.

• استفاده از مدل‌های شخص ثالث و هاب‌ها: بهره‌گیری از منابع آماده.

• ترانسفورمرها و Transformers: کار با مدل‌های پیشرفته NLP.

• استفاده از LLMها با داده‌های سفارشی: شخصی‌سازی مدل‌های زبانی بزرگ.

• سرویس‌دهی LLMها با Ollama: استقرار مدل‌های زبانی.

• مقدمه‌ای بر RAG: بازیابی و تولید محتوا با داده‌های خارجی.

• استفاده از مدل‌های مولد با Hugging Face Diffusers: تولید تصاویر مولد.

• تنظیم مدل‌های تصویر مولد با LoRA و Diffusers: بهینه‌سازی مدل‌های مولد.

کاربردهای عملی

این کتاب با پروژه‌های عملی مانند ساخت مدل‌های بینایی کامپیوتری، تحلیل احساسات متنی و تولید تصاویر و متن‌های مولد، شما را در توسعه AI کاربردی هدایت می‌کند. از پیاده‌سازی مدل‌های NLP با Transformers تا استقرار مدل‌ها در وب و ابر، این کتاب سناریوهای دنیای واقعی را پوشش می‌دهد. آموزش‌های مربوط به RAG و LoRA، شما را برای کار با فناوری‌های پیشرفته AI آماده می‌کنند.

درباره فناوری

این کتاب بر PyTorch، Hugging Face Transformers و Diffusers تمرکز دارد و با ابزارهای مدرن مانند Ollama و پلتفرم‌های ابری سازگار است. تکنیک‌های ارائه‌شده برای توسعه مدل‌های AI در حوزه‌های بینایی کامپیوتری، NLP و هوش مصنوعی مولد مناسب‌اند و با استانداردهای صنعت هم‌راستا هستند.

مخاطبان کتاب

این کتاب برای برنامه‌نویسان مبتدی تا متوسط که می‌خواهند بدون نیاز به دانش ریاضی پیشرفته، AI و ماشین‌لرنینگ را یاد بگیرند، ایده‌آل است. توسعه‌دهندگانی که با زبان‌هایی مانند Python آشنا هستند و به دنبال ساخت مدل‌های AI کاربردی با PyTorch هستند، از این کتاب بهره‌مند خواهند شد. دانش پایه در برنامه‌نویسی Python برای درک بهتر محتوا مفید است.

درباره نویسنده

لارنس مورونی، با تجربه در آموزش و توسعه AI، مفاهیم پیچیده را با زبانی ساده و رویکردی کد-محور ارائه کرده است. او به‌عنوان یکی از اعضای تیم Google Research، راهکارهایی عملی برای حرفه‌ای‌های AI فراهم کرده است.