حل مسائل با کمک الگوریتم های هوش مصنوعی یا به عبارت بهتر با کمک تکنیک های یادگیری ماشین، همیشه برای برنامه نویسان جذاب بوده است. اگر خوش شانس باشند و داده های مناسبی در اختیار داشته باشند، به سراغ آموزش مدل موردنظر خود می روند. پس از آن نوبت به استقرار مدل روی موبایل، فضای ابری، مرورگر وب یا دستگاه های دیگر می رسد. کتاب حاضر دارای دو بخش است: در بخش اول، پیاده سازی سناریوهای رایج در یادگیری ماشین مانند بینایی ماشین، پردازش زبان طبیعی و مدل سازی توالی ها بررسی می شوند و در بخش دوم کتاب به موضوع استقرار این مدل های آموزش دیده در محیط های مختلف می پردازیم.

فصل های کتاب آنقدر کوچک هستند که می توانید هر بار با صرف زمان کم، یکی از آنها را مطالعه کنید. اگر قصد دارید در حوزه هوش مصنوعی متخصص شوید، این کتاب نقطه آغاز مناسبی است.

ا. یادگیری ماشین و TensorFlow

۲. اجرای اولین پروژه یادگیری ماشین

3. مقدمه ای بر بینایی ماشین

۴. کانولوشن و ادغام: دو عنصر اصلی در شبکه های عصبی کانولوشن

۵. پیاده سازی شبکه های عصبی کانولوشن

۶. ساخت یک CNN برای تشخیص انسان و اسب

۷. داده افزایی و یادگیری انتقالی

۸. استفاده از تکنیک دورریزی برای رفع بیش برازش

9. استفاده از TensorFlow Datasets

10. استفاده از TFDS با مدل های Keras

۱۱. چگونگی کش شدن داده ها در TFDS

۱۲. فرایند ETL مدیریت داده ها در TensorFlow

۱۳. مقدمه ای بر پردازش زبان طبیعی

۱۴. کار با منابع دادهای واقعی

۱5. معانی کلمات: مقدمه ای بر مفهوم جایگزین ها

۱۶. کاهش بیش برازش در مدل های زبانی

۱۷. مصورسازی جایگزین ها و استفاده از جایگزین های آماده

۱۸. مقدمه ای بر شبکه های عصبی برگشتی

۱۹. ساخت یک رده بند متن با RNN

۲۰. استفاده از جایگزین های آماده همراه با RNN

۲۱. استفاده از TensorFlow برای تولید متن

و...