دانلود کتاب Artificial Intelligence By Example: Acquire Advanced AI, Machine Learning and Deep Learning design skills (به فارسی: هوش مصنوعی به عنوان مثال: مهارت‌های طراحی هوش مصنوعی پیشرفته، یادگیری ماشین و یادگیری عمیق را کسب کنید) نوشته شده توسط «Denis Rothman»
اطلاعات کتاب هوش مصنوعی به عنوان مثال: مهارت‌های طراحی هوش مصنوعی پیشرفته، یادگیری ماشین و یادگیری عمیق را کسب کنید
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Denis Rothman
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 579
حجم فایل: 11.32 مگابایت
کد کتاب: 1839211539 , 9781839211539
نوبت چاپ: 2
توضیحات کتاب هوش مصنوعی به عنوان مثال: مهارت‌های طراحی هوش مصنوعی پیشرفته، یادگیری ماشین و یادگیری عمیق را کسب کنید
ویژگی های کلیدی
• نمونه های مبتنی بر هوش مصنوعی برای راهنمایی شما در طراحی و اجرای هوشمندی ماشین
• ساخت ماشین هوش مصنوعی از ابتدا با استفاده از مثال‌های هوش مصنوعی
• توسعه هوش ماشینی از ابتدا با استفاده از هوش مصنوعی واقعی
توضیحات کتاب
AI دارای پتانسیل تکرار انسان در هر زمینه نسخه دوم هوش مصنوعی با مثال، به عنوان نقطه شروعی برای درک چگونگی ساخت هوش مصنوعی با کمک مثال‌های جذاب و هیجان‌انگیز است.
این کتاب شما را به یک متفکر تطبیقی تبدیل می‌کند و به شما کمک می‌کند تا مفاهیم را به کار ببرید. به سناریوهای دنیای واقعی با استفاده از برخی از جالب‌ترین مثال‌های هوش مصنوعی، از برنامه‌های رایانه‌ای مانند موتور ساده شطرنج گرفته تا ربات‌های گفتگوی شناختی، یاد می‌گیرید که چگونه با ماشینی که با آن رقابت می‌کنید مقابله کنید. شما برخی از پیشرفته‌ترین مدل‌های یادگیری ماشینی را مطالعه خواهید کرد، نحوه بکارگیری هوش مصنوعی در بلاک چین و اینترنت اشیاء (IoT) را خواهید فهمید، و با استفاده از شبکه‌های عصبی مانند شبکه‌های عصبی مکرر (RNN) و شبکه‌های عصبی کانولوشنال (CNN) در چت ربات‌ها هوش هیجانی ایجاد می‌کنید. .
این نسخه همچنین دارای نمونه‌های جدیدی برای شبکه‌های عصبی ترکیبی، ترکیب یادگیری تقویتی (RL) و یادگیری عمیق (DL)، الگوریتم‌های زنجیره‌ای، ترکیب یادگیری بدون نظارت با درخت‌های تصمیم، جنگل‌های تصادفی، ترکیب DL و ژنتیک است. الگوریتم‌ها، رابط‌های کاربر محاوره‌ای (CUI) برای چت ربات‌ها، محاسبات نورومورفیک و محاسبات کوانتومی.
در پایان این کتاب، اصول هوش مصنوعی را درک خواهید کرد و نمونه‌هایی را بررسی کرده‌اید که به شما کمک می‌کند. راه‌حل‌های هوش مصنوعی خود را توسعه می‌دهید.
آنچه یاد خواهید گرفت
• از نزدیک‌ترین همسایگان (KNN) برای ترجمه‌های زبان استفاده کنید و فرصت‌ها را در Google Translate کاوش کنید.
• درک زنجیره ای الگوریتم‌هایی که یادگیری بدون نظارت را با درخت‌های تصمیم ترکیب می‌کنند
• مسئله XOR را با شبکه‌های عصبی پیش‌خور (FNN) حل کنید و معماری آن را برای نمایش نمودار جریان داده بسازید.
• درباره مدل‌های فرا یادگیری با شبکه‌های عصبی ترکیبی بیاموزید
• یک ربات چت ایجاد کنید و کمبودهای هوش هیجانی آن را با ابزارهایی مانند Small Talk و ثبت داده‌ها بهینه کنید.
• ساخت رابط کاربری مکالمه ای (CUI) برای چت بات ها
• نوشتن الگوریتم های ژنتیکی که شبکه های عصبی یادگیری عمیق را بهینه می کند. p>
• ساخت مدارهای محاسباتی کوانتومی
این کتاب برای چه کسانی است
توسعه دهندگان و علاقمندان به هوش مصنوعی، که می خواهند اصول اولیه را درک کنند. هوش مصنوعی و اجرای عملی آنها. تجربه قبلی با برنامه نویسی پایتون و دانش آماری برای استفاده حداکثری از این کتاب ضروری است.
فهرست مطالب
1. شروع به کار بعدی- نسل هوش مصنوعی از طریق یادگیری تقویتی
2. ساخت ماتریس پاداش طراحی مجموعه داده شما
3. توابع ارزیابی هوش ماشینی و همگرایی عددی
4. بهینه سازی راه حل های خود با خوشه بندی K-Means
5. نحوه استفاده از درخت تصمیم برای افزایش K -به معنی خوشه بندی
6. نوآوری هوش مصنوعی با مترجم گوگل
7. بهینه سازی بلاک چین با ساده لوح
8. حل مسئله XOR با FNN
9. طبقه بندی تصویر انتزاعی با CNN
10. یادگیری بازنمایی مفهومی
11. ترکیب RL و DL
12. AI و IoT p>
13. تجسم شبکه ها با TensorFlow 2.x و TensorBoard
14. آماده سازی ورودی چت بات ها با RBM و PCA
15. تنظیم یک سیستم شناختی NLP UI/CUI Chatbot
16. بهبود کمبودهای هوش هیجانی چت ربات ها
17. الگوریتم های ژنتیک در شبکه های عصبی ترکیبی
18. محاسبات نورومورفیک
19. محاسبات کوانتومی
Key Features
• AI-based examples to guide you in designing and implementing machine intelligence
• Build machine intelligence from scratch using artificial intelligence examples
• Develop machine intelligence from scratch using real artificial intelligence
Book Description
AI has the potential to replicate humans in every field. Artificial Intelligence By Example, Second Edition serves as a starting point for you to understand how AI is built, with the help of intriguing and exciting examples.
This book will make you an adaptive thinker and help you apply concepts to real-world scenarios. Using some of the most interesting AI examples, right from computer programs such as a simple chess engine to cognitive chatbots, you will learn how to tackle the machine you are competing with. You will study some of the most advanced machine learning models, understand how to apply AI to blockchain and Internet of Things (IoT), and develop emotional quotient in chatbots using neural networks such as recurrent neural networks (RNNs) and convolutional neural networks (CNNs).
This edition also has new examples for hybrid neural networks, combining reinforcement learning (RL) and deep learning (DL), chained algorithms, combining unsupervised learning with decision trees, random forests, combining DL and genetic algorithms, conversational user interfaces (CUI) for chatbots, neuromorphic computing, and quantum computing.
By the end of this book, you will understand the fundamentals of AI and have worked through a number of examples that will help you develop your AI solutions.
What you will learn
• Apply k-nearest neighbors (KNN) to language translations and explore the opportunities in Google Translate
• Understand chained algorithms combining unsupervised learning with decision trees
• Solve the XOR problem with feedforward neural networks (FNN) and build its architecture to represent a data flow graph
• Learn about meta learning models with hybrid neural networks
• Create a chatbot and optimize its emotional intelligence deficiencies with tools such as Small Talk and data logging
• Building conversational user interfaces (CUI) for chatbots
• Writing genetic algorithms that optimize deep learning neural networks
• Build quantum computing circuits
Who this book is for
Developers and those interested in AI, who want to understand the fundamentals of Artificial Intelligence and implement them practically. Prior experience with Python programming and statistical knowledge is essential to make the most out of this book.
Table of Contents
1. Getting Started with Next-Generation Artificial Intelligence through Reinforcement Learning
2. Building a Reward Matrix Designing Your Datasets
3. Machine Intelligence Evaluation Functions and Numerical Convergence
4. Optimizing Your Solutions with K-Means Clustering
5. How to Use Decision Trees to Enhance K-Means Clustering
6. Innovating AI with Google Translate
7. Optimizing Blockchains with Naive Bayes
8. Solving the XOR Problem with a FNN
9. Abstract Image Classification with CNN
10. Conceptual Representation Learning
11. Combining RL and DL
12. AI and the IoT
13. Visualizing Networks with TensorFlow 2.x and TensorBoard
14. Preparing the Input of Chatbots with RBMs and PCA
15. Setting Up a Cognitive NLP UI/CUI Chatbot
16. Improving the Emotional Intelligence Deficiencies of Chatbots
17. Genetic Algorithms in Hybrid Neural Networks
18. Neuromorphic Computing
19. Quantum Computing
