- عنوان کتاب: Practical Python Artificial Intelligence Programming
- نویسنده: Mark Watson
- حوزه: پایتون, برنامه نویسی هوش مصنوعی
- سال انتشار: 2023
- تعداد صفحه: 129
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 3.54 مگابایت
این کتاب، خواننده عزیز، در نظر گرفته شده است تا طیف گسترده‌ای از تکنیک‌ها و مثال‌های عملی هوش مصنوعی را به شما نشان دهد و زمانی که چیزهایی را کشف می‌کنید که مورد علاقه شما هستند یا ممکن است در کارتان مفید باشند، نقطه جهشی باشد. یک موضوع رایج در اینجا پوشش دادن وظایف برنامه نویسی هوش مصنوعی است که قبلاً دشوار یا غیرممکن بودند اما اکنون با استفاده از یادگیری عمیق بسیار ساده تر هستند، حداقل ممکن است. من همچنین طیف وسیعی از مطالب یادگیری غیرعمیق را پوشش می‌دهم، از جمله فصلی در مورد هوش مصنوعی نمادین که دارای علاقه تاریخی و ارزش عملی فعلی است. من سعی می‌کنم کتاب‌هایم را حداقل سالی یک‌بار به‌روزرسانی کنم، بنابراین هنگام خرید در Leanpub، لطفاً نشان دهید که می‌خواهید در صورت موجود شدن نسخه‌های جدید به شما اطلاع داده شود. به‌روزرسانی‌های نسخه‌های جدید برای کتاب‌های Leanpub من رایگان است. حرفه من در زمینه توسعه برنامه ها و ابزارهای هوش مصنوعی در سال 1982 آغاز شد. تا قبل از ظهور پیشرفت در یادگیری عمیق در حدود سال 2010، بیشتر کارهای توسعه من در Common Lisp، جاوا و C++ بود. ترجیح زبان من زمانی تغییر کرد که بیشتر وقتم را صرف ساختن مدل های یادگیری عمیق کردم. پایتون بیشترین ابزار، کتابخانه ها و چارچوب ها را برای یادگیری عمیق دارد، بنابراین من به عنوان یک موضوع عملی، پایتون را به عنوان زبان برنامه نویسی اصلی پذیرفته ام. با این حال، من همچنان به شدت از Common Lisp، Haskell، Swift و Scheme استفاده می کنم. توصیه می کنم ذهنیت «همیشه از یک زبان برنامه نویسی استفاده کنید» نداشته باشید. چرا این کتاب؟ برخی از مطالبی که در اینجا پوشش می‌دهم قبلاً در کتاب‌های هوش مصنوعی Common Lisp، Java، Clojure و Haskell که قبلاً نوشته‌ام پوشش داده شده است. هدف من در اینجا اولویت دادن به مطالب بیشتر در مورد یادگیری عمیق است و در عین حال به یادگیری ماشین کلاسیک، بازنمایی دانش، جمع‌آوری اطلاعات و تئوری و برنامه‌های کاربردی وب/ داده‌های پیوندی معنایی می‌پردازم. ما همچنین بازنمایی دانش را پوشش می‌دهیم، از جمله: سیستم‌های کلاسیک مانند Soar و Prolog، برنامه‌نویسی محدودیت، و استفاده عملی از ذخیره‌های داده‌های رابطه‌ای و نموداری. بسیاری از کارهای من شامل پردازش زبان طبیعی (NLP) و تکنیک های مرتبط برای داده های بدون ساختار پردازش شده است و ما این مطالب را تا حدودی پوشش خواهیم داد. چرا پایتون؟ پایتون یک زبان سطح بسیار بالا است که توسط برنامه نویسان دیگر به راحتی قابل خواندن است. از آنجایی که پایتون یکی از محبوب ترین زبان های برنامه نویسی است، کتابخانه ها و فریمورک های زیادی در دسترس هستند. بهترین کد، کدی است که تا زمانی که کد شخص ثالث منبع باز است، مجبور نیستیم خودمان آن را بنویسیم تا در صورت نیاز بتوانیم آن را بخوانیم و تغییر دهیم. یکی دیگر از دلایل استفاده از پایتون، که ما در این کتاب به شدت به آن تکیه کرده‌ایم، استفاده از مدل‌های یادگیری عمیق از پیش آموزش دیده است که در بسته‌ها و کتابخانه‌های پایتون پیچیده شده‌اند.
This book is intended, dear reader, to show you a wide variety of practical AI techniques and examples, and to be a jumping off point when you discover things that interest you or may be useful in your work. A common theme here is covering AI programming tasks that used to be difficult or impossible but are now much simpler using deep learning, of at least possible. I also cover a wide variety on non-deep learning material including a chapter on Symbolic AI that has historic interest and some current practical value. I try to update my books at least once a year so when purchasing on Leanpub please indicatate that you want to be notified when new editions are available. Updates to new editions are free for my Leanpub books. My career developing AI applications and tools began in 1982. Until the advent of breakthroughs in deep learning around 2010 most of my development work was in Common Lisp, Java, and C++. My language preference changed when I started spending most of my time creating deep learning models. Python has the most tooling, libraires, and frameworks for deep learning so as a practical matter I have adopted Python as a primary programming language. That said I still also heavily use Common Lisp, Haskell, Swift, and Scheme. I recommend not having an “always use one programming language” mindset. Why this book? Some of what I cover here has already been covered in the Common Lisp, Java, Clojure and Haskell artificial intelligence books I have previously written. My goal here is to prioritize more material on deep learning while still lightly covering classical machine learning, knowledge representation, information gathering, and semantic web/linked data theory and applications. We also cover knowledge representation, including: classic systems like Soar and Prolog, constraint programming, and the practical use of relational and graph data stores. Much of my work involves natural language processing (NLP) and associated techniques for processed unstructured data and we will cover this material in some depth. Why Python? Python is a very high level language that is easily readable by other programmers. Since Python is one of the most popular programming languages there are many available libraries and frameworks. The best code is code that we don’t have to write ourselves as long as third party code is open source so we can read and modify it if needed. Another reason to use Python, that we lean heavily on in this book, is using pre-trained deep learning models that are wrapped into Python packages and libraries.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Practical Python Artificial Intelligence Programming
نظرات کاربران