هوش مصنوعی با پایتون راهنمای کامل برای ساخت برنامه های هوشمند Python 3.x و TensorFlow 2

نویسنده :
آلبرتو آرتاسانچز پراتیک جوشی
نوبت و سال چاپ : 2 / 1400 تعداد صفحات : 548
نوع جلد / قطع: شومیز / وزیری وزن: 785
ویرایش : شابک 9786002051707
موضوع اصلی : کامپیوتر موضوع فرعی : برنامه نویسی

دریافت فایل:

افزودن به علاقه مندی ها
درحال حاضر موجود نیست قیمت : 450,000تومان

این کتاب برای برنامه نویسان پایتون است که به دنبال به کارگیری الگوریتم های هوش مصنوعی برای ایجاد برنامه هایی از دنیای واقعی هستند. کتاب برای مبتدیان پایتون نیز راحت است اما آشنایی با برنامه نویسی پایتون مطمئنا مفید خواهد بود. همچنین برای برنامه نویسان با تجربه پایتون بسیار مفید است که به دنبال پیاده سازی تکنیک های هوش مصنوعی هستند. با این وصف، کتاب بر روی هوش مصنوعی در پایتون متمرکز شده است و نه خود پایتون. ما از پایتون 3 برای نوشتن برنامه های مختلف استفاده می کنیم و در مورد چگونگی استفاده از کتابخانه های مختلف پایتون به بهترین روش ممکن، برای ساخت برنامه های کاربردی در دنیای واقعی تمرکز می کنیم. سعی کرده ایم تا همه کدها را تا حد ممکن کاربرپسند و خوانا نگه داریم تا خوانندگان ما به راحتی کد را بفهمند و از آن در سناریوهای مختلف استفاده کنند. فهرست مطالب کتاب هوش مصنوعی با پایتون تالیف آلبرتو آرتاسانچز، پراتیک جوشی: فصل 1 : آشنایی با هوش مصنوعی 1-1. هوش مصنوعی چیست؟ 1-2. چرا نیاز به مطالعه هوش مصنوعی داریم؟ 1-3. شاخه‌های هوش مصنوعی 1-4. پنج خانواده‌ی یادگیری ماشین 1-5. تعریف هوش با استفاده از آزمون تورینگ 1-6. ساخت ماشین‌هایی که مانند انسان فکر می‌کنند 1-7. ساخت عامل‌های عقلانی 1- 8. حل‌کننده مسأله عمومی 1-9. ساخت یک عامل هوشمند 1-10. نصب پایتون 3 1-11. نصب بسته‌ها 1-12. بارگیری داده‌ها 1-13. خلاصه فصل 2 : کاربردهای بنیادین هوش مصنوعی 2-1. کاربردهای هوش مصنوعی 2-2. دستیاران شخصی دیجیتال و چت‌بات‌ها 2-3. اتومبیل خودران 2-4. حمل و نقل و مدیریت انبار یک مرکز 2-5. سلامتی انسان 2-6. جستجوی دانش 2-7. سیستم‌های پیشنهادگر 2-8. خانه هوشمند 2-9. بازی 2-10. ساخت فیلم 2-11. کارشناسی تعهد و تحلیل معامله 2-12. پاکسازی و تبدیل داده‌ها 2-13. خلاصه فصل 3 : خط سیر یادگیری ماشین 3-1. خط سیر یادگیری ماشین چیست؟ 3-2. تعریف مسأله 3-3. جذب داده‌ها 3-4. آماده‌سازی داده‌ها 3-5. تفکیک داده‌ها 3-6. آموزش مدل 3-7. خلاصه فصل 4 : انتخاب ویژگی‌ها و مهندسی ویژگی‌ها 4-1. انتخاب ویژگی‌ها 4-2. مهندسی ویژگی‌ها 4-3. مدیریت داده‌های پرت 4-4. رمزگذاری تک نمود 4-5. تبدیل لگاریتمی 4-6. مقیاس‌گذاری 4-7. کار با تاریخ 4-8. خلاصه فصل 5 : دسته‌بندی و رگرسیون با یادگیری با نظارت 5-1. یادگیری با نظارت در مقابل یادگیری بدون نظارت 5-2. دسته‌بندی چیست؟ 5-3. پیش پردازش داده‌ها 5-4. رمزگذاری برچسب 5-5. دسته‌بندهای رگرسیون لُجستیک 5-6. دسته‌بند نایو بیز 5-7. ماتریس سردرگمی 5-8. ماشین‌های بردار پشتیبان 5-9. دسته‌بندی داده‌های درآمد با استفاده از SVM 5-10. رگرسیون چیست؟ 5-11. خلاصه فصل 6 : تحلیل پیشگویانه با یادگیری جمعی 6-1. درخت تصمیم چیست؟ 6-2. یادگیری جمعی چیست؟ 6-3. جنگل‌های تصادفی و جنگل‌های بسیار تصادفی چیست؟ 6-4. عدم توازن در دسته‌ها 6-5. یافتن پارامترهای بهینه آموزش با استفاده از جستجوی شبکه‌ای 6-6. محاسبه‌ی اهمیت ویژگی نسبی 6-7. پیش‌بینی ترافیک با رگرسیون جنگل بسیار تصادفی 6-8. خلاصه فصل 7 : شناسایی الگو با یادگیری بدون نظارت 7-1. یادگیری بدون نظارت چیست؟ 7-2. خوشه‌بندی داده‌ها با الگوریتم K-Means 7-3. مدل‌های مخلوط گاوسی چیست؟ 7-4. یافتن زیرگروه‌ها در بازار بورس با مدل انتشار وابستگی 7-5. تقسیم بازار براساس الگوهای خرید 7-6. خلاصه فصل 8 : سیستم‌های پیشنهادگر 8-1. استخراج نزدیک‌ترین همسایگان 8-2. ساخت دسته‌بند K ـ نزدیک‌ترین همسایه 8-3. محاسبه‌ی امتیازات شباهت 8-4. پیدا کردن کاربران مشابه با استفاده از پالایش مشارکتی 8-5. ساخت یک سیستم توصیه فیلم 8-6. خلاصه فصل 9 : برنامه‌نویسی منطقی 9-1. برنامه‌نویسی منطقی چیست؟ 9-2. درک بلوک‌های سازنده‌ی برنامه‌نویسی منطقی 9-3. حل مسائل با استفاده از برنامه‌نویسی منطقی 9-4. نصب بسته‌های پایتون 9-5. تطبیق عبارات ریاضی 9-6. اعتبارسنجی اعداد اول 9-7. تجزیه‌ی یک شجره‌نامه 9-8. تجزیه‌ و تحلیل جغرافیا 9-9. ساخت یک حل‌کننده‌ی پازل 9-10. خلاصه فصل 10 : تکنیک‌های جستجوی اکتشافی 10-1. آیا جستجوی اکتشافی هوش مصنوعی است؟ 10-2. جستجوی اکتشافی چیست؟ 10-3. مسائل ارضای محدودیت 10-4. تکنیک‌های جستجوی محلی 10-5. ساخت یک رشته با استفاده از جستجوی حریصانه 10-6. حل مسأله با محدودیت‌ها 10-7. حل مسأله رنگ‌آمیزی منطقه 10-8. ساخت یک حل‌کننده‌ی پازل ـ 8 10-9. ساخت یک حلقه هزارتو 10-10. خلاصه فصل 11 : الگوریتم‌های ژنتیک و برنامه‌نویسی ژنتیک 11-1. خانواده تکامل‌گرایان 11-2. درک الگوریتم‌های تکاملی و ژنتیک 11-3. مفاهیم پایه در الگوریتم‌های ژنتیک 11-4. ایجاد الگوی بیتی با پارامترهای از پیش تعریف شده 11-5. بصری‌سازی تکامل 11-6. حل مسأله‌‍‌ی رگرسیون نماد 11-7. ساخت یک روبات کنترل هوشمند 11-8. موارد استفاده از برنامه‌نویسی ژنتیک 11-9. خلاصه فصل 12 : هوش مصنوعی روی ابر 12-1. چرا شرکت‌ها به ابر مهاجرت می‌کنند؟ 12-2. ارائه‌دهندگان برتر ابر 12-3. خدمات وب آمازون (AWS) 12-4. مایکروسافت آزور 12-5. زیرساخت ابر گوگل (GCP) 12-6. خلاصه فصل 13 : ساخت بازی با هوش مصنوعی 13-1. استفاده از الگوریتم‌های جستجو در بازی‌ها 13-2. جستجوی ترکیبی 13-3. نصب کتابخانه easyAI 13-4. ساخت یک روبات برای بازی آخرین سکه‌ی باقیمانده 13-5. ساخت یک روبات برای بازی Tic-Tac-Toe 13-6. ساخت دو روبات برای بازی دوز چهارتایی در مقابل یکدیگر 13-7. ساخت دو روبات برای بازی شش پیاده در مقابل یکدیگر 13-8. خلاصه فصل 14 : سیستم‌های تشخیص گفتار 14-1. کار با سیگنال‌های گفتار 14-2. رسم سیگنال‌های صوتی 14-3. تبدیل سیگنال‌های صوتی به حوزه‌ی فراوانی 14-4. تولید سیگنال‌های صوتی 14-5. تلفیق آهنگ‌ها برای تولید موسیقی 14-6. استخراج ویژگی‌های گفتار 14-7. تشخیص کلمات گفتاری 14-8. خلاصه فصل 15 : پردازش زبان طبیعی 15-1. معرفی و نصب بسته‌ها 15-2. جداسازی واژگان داده‌های متنی 15-3. تبدیل کلمات به‌شکل پایه‌ی آن‌ها با استفاده از ریشه‌سازی 15-4. تبدیل کلمات به‌ فرم‌های پایه‌ی آن‌ها با استفاده از بن‌‌سازی 15-5. تقسیم داده‌های متنی به تکه‌ها 15-6. استخراج فراوانی اصطلاحات با استفاده از مدل کوله‌ی کلمات 15-7. ایجاد یک پیش‌بینی کننده‌ی دسته 15-8. ساخت شناسایی جنسیت 15-9. ساخت تحلیلگر احساسات 15-10. مدل‌سازی موضوع با استفاده از تخصیص پنهان دیریکله 15-11. خلاصه فصل 16 : چت‌بات‌ها 16-1. آینده‌ی چت‌بات‌ها 16-2. چت‌بات‌های امروز 16-3. مفاهیم چت‌بات‌ 16-4. یک چت‌بات خوش‌ساخت 16-5. زیرساخت‌های چت‌بات ‌ 16-6. ایجاد چت‌بات با استفاده از دیالوگ‌فلو ‌ 16-7. خلاصه فصل 17 : تحلیل داده‌های متوالی و سری‌های زمانی 17-1. شناخت داده‌های متوالی 17-2. پردازش داده‌های سری زمانی با پانداس 17-3. برش داده‌های سری زمانی 17-4. کار با داده‌های سری زمانی 17-5. استخراج آمار از داده‌های سری زمانی 17-6. تولید داده با استفاده از مدل پنهان مارکوف 17-7. شناسایی توالی‌های الفبا با زمینه‌های تصادفی شرطی 17-8. تجزیه و تحلیل بازار سهام 17-9. خلاصه فصل 18 : تشخیص تصویر 18-1. اهمیت تشخیص تصویر 18-2. OpenCV 18-3. اختلاف قاب‌ها 18-4. ردیابی اشیا با استفاده از فضاهای رنگی 18-5. ردیابی شیء با استفاده از تفاضل پس‌زمینه 18-6. ساخت یک ردیاب شیء تعاملی با استفاده از الگوریتم CAMShift 18-7. ردیابی مبتنی‌بر جریان نوری 18-8. تشخیص چهره و ردیابی 18-9. تشخیص و ردیابی چشم 18-10. خلاصه فصل 19 : شبکه‌های عصبی 19-1. معرفی شبکه‌های عصبی 19-2. ساخت دسته‌بندی مبتنی‌بر پرسپترون 19-3. ساخت یک شبکه عصبی تک‌لایه 19-4. ساخت یک شبکه عصبی چند‌لایه 19-5. ساخت یک پله‌ای کننده بردار 19-6. تجزیه و تحلیل داده‌های متوالی با استفاده از شبکه‌های عصبی بازگشتی 19-7. رسم حروف در یک پایگاه داده تشخیص نویسه نوری 19-8. ایجاد یک موتور تشخیص نویسه نوری 19-9. خلاصه فصل 20 : یادگیری عمیق با شبکه‌های عصبی پیچشی 20-1. مبانی شبکه‌های عصبی پیچشی 20-2. معماری CNN 20-3. انواع لایه‌ها در CNN 20-4. ساخت یک رگرسور خطی مبتنی‌بر پرسپترون 20-5. ساخت دسته‌بند تصویر با استفاده از یک شبکه عصبی تک‌لایه 20-6. ساخت دسته‌بند تصویر با استفاده از یک شبکه عصبی پیچشی 20-7. خلاصه 20-8. منبع فصل 21 : شبکه‌های عصبی بازگشتی و سایر مدل‌های یادگیری عمیق 21-1. مبانی شبکه‌های عصبی بازگشتی 21-2. معماری RNN 21-3. یک مورد کاربرد از مدل‌سازی زبان 21-4. آموزش RNN 21-5. خلاصه فصل 22 : ایجاد عوامل هوشمند با یادگیری تقویتی 22-1. معنای یادگیری چیست 22-2. یادگیری تقویتی در مقابل یادگیری با نظارت 22-3. نمونه‌هایی از دنیای واقعی یادگیری تقویتی 22-4. بلوک‌های سازنده‌ی یادگیری تقویتی 22-5. ایجاد یک محیط 22-6. ساخت یک عامل یادگیرنده 22-7. خلاصه فصل 23 : هوش مصنوعی و کلان داده 23-1. مبانی کلان داده 23-2. سه V در کلان داده 23-3. کلان داده و یادگیری ماشین 23-4. بانک‌های اطلاعاتی NoSQL 23-5. خلاصه

تا کنون دیدگاهی برای این کالا ثبت نشده است، شما اولین نفر باشید...