کتاب رمزگشایی هوش مصنوعی

کتاب رمزگشایی هوش مصنوعی نوشته آیت سعادتی، مفاهیم اصلی یادگیری ماشین را از تعریف‌های پایه تا اجرای نمونه‌ها در متلب دنبال می‌کند. این کتاب فقط به توضیح نظری بسنده نمی‌کند و با مثال‌های آموزشی، از طبقه‌بندی و خوشه‌بندی تا مدل‌هایی مثل نزدیک‌ترین همسایه، درخت تصمیم، بیز ساده و تحلیل تفکیکی را قدم‌به‌قدم باز می‌کند. این کتاب را نشر سبزان منتشر کرده است. تمرکز کتاب بر این است که فرایند آموزش مدل، ارزیابی خطا و پیش‌بینی برای داده‌های جدید به‌شکل روشن‌تری دیده شود. نسخه‌ی الکترونیکی این اثر را می‌توانید از طاقچه خرید و دانلود کنید.

درباره کتاب رمزگشایی هوش مصنوعی

کتاب رمزگشایی هوش مصنوعی نوشته آیت سعادتی به سراغ یکی از مهم‌ترین شاخه‌های علوم کامپیوتر رفته و آن را از سطح مفهومی تا اجرای عملی توضیح داده است. نقطه‌ی شروع اثر، تعریف یادگیری ماشین و تفاوت موقعیت‌های داده‌محور با تصمیم‌گیری‌های عادی است. نویسنده برای توضیح این مفاهیم از مثال‌های روزمره استفاده کرده و بعد به‌تدریج بحث را به سمت داده، ویژگی، آموزش مدل و پیش‌بینی برده است. فضای اثر آموزشی است، اما فقط به تعریف اصطلاحات محدود نمی‌ماند و تلاش می‌کند منطق پشت هر الگوریتم را هم روشن کند.
کتاب رمزگشایی هوش مصنوعی در چند فصل تنظیم شده و از معرفی یادگیری ماشین و مبانی آن آغاز می‌شود. بعد از آن، بخش‌های مربوط به مدل‌های یادگیری نظارت‌شده، برازش منحنی، رگرسیون، انتخاب ویژگی و ابزارهای گرافیکی مطرح می‌شوند. در فصل‌های آغازین، تفاوت یادگیری نظارت‌شده و بدون نظارت با مثال‌های ساده توضیح داده می‌شود و مفاهیمی مثل برچسب، خوشه‌بندی، معیار فاصله و تقسیم داده به آموزش و آزمون جا می‌افتد. این چیدمان باعث می‌شود خواننده فقط با نام الگوریتم‌ها روبه‌رو نباشد، بلکه بداند هرکدام در چه مسئله‌ای به کار می‌آیند.
کتاب رمزگشایی هوش مصنوعی بخش قابل‌توجهی از تمرکز خود را روی کار با متلب گذاشته است. در این بخش‌ها، نویسنده هم از کدنویسی استفاده می‌کند و هم به ابزارهای گرافیکی متلب می‌رسد تا مسیرهای مختلف اجرای مدل‌ها دیده شود. الگوریتم‌هایی مثل KNN، درخت تصمیم، بیز ساده و تحلیل تفکیکی با داده‌های نمونه بررسی می‌شوند و در کنار آن‌ها موضوعاتی مثل خطای آموزش، خطای آزمون، ماتریس درهم‌ریختگی، بیش‌برازش، هرس‌کردن درخت و ارزیابی عملکرد مدل هم مطرح می‌شود. نتیجه این است که این کتاب فقط یک مرور مفهومی نیست، بلکه تصویری نسبتاً کامل از مسیر ساخت، سنجش و استفاده از مدل‌های یادگیری ماشین ارائه می‌دهد.

خلاصه کتاب رمزگشایی هوش مصنوعی

کتاب رمزگشایی هوش مصنوعی از یک تعریف ساده درباره آموزش‌دادن به ماشین شروع می‌کند و بعد نشان می‌دهد که این فرایند چگونه با داده، ویژگی و الگوریتم معنا پیدا می‌کند. متن کتاب مبانی یادگیری ماشین را توضیح می‌دهد و سپس به دو شاخه‌ی اصلی یادگیری نظارت‌شده و بدون نظارت می‌رسد. در ادامه، مدل‌هایی مثل نزدیک‌ترین همسایه، درخت تصمیم، بیز ساده و تحلیل تفکیکی معرفی می‌شوند و برای هرکدام نمونه‌هایی در متلب ارائه می‌شود. در کنار معرفی مدل‌ها، موضوعاتی مثل پیش‌پردازش داده، تقسیم داده‌ها، ارزیابی خطا، پیش‌بینی برای داده‌های جدید و مسئله‌ی بیش‌برازش هم بررسی می‌شوند تا مسیر اجرای یک پروژه‌ی یادگیری ماشین روشن‌تر شود.

چرا باید کتاب رمزگشایی هوش مصنوعی را بخوانیم؟

دلایل خواندن کتاب رمزگشایی هوش مصنوعی را می‌توان این‌طور خلاصه کرد:

• این کتاب مفاهیم پایه‌ی یادگیری ماشین را با مثال‌های ملموس توضیح می‌دهد و فهم اصطلاحات اصلی را آسان‌تر می‌کند.
• خواننده با مراحل یک پروژه، از آماده‌سازی داده تا آموزش، ارزیابی و پیش‌بینی آشنا می‌شود.
• بخش‌های مربوط به متلب نشان می‌دهند که هر الگوریتم فقط در حد تعریف باقی نمی‌ماند و می‌تواند اجرا و بررسی شود.
• کتاب چند مدل مهم طبقه‌بندی را کنار هم قرار داده و امکان مقایسه‌ی منطق و عملکرد آن‌ها را فراهم می‌کند.
• بحث‌هایی مثل خطا، ماتریس درهم‌ریختگی، بیش‌برازش و هرس‌کردن درخت به درک بهتر کیفیت مدل کمک می‌کنند.
• بخش ابزارهای گرافیکی متلب برای کسانی مفید است که می‌خواهند علاوه‌بر کدنویسی، از محیط‌های آماده‌ی تحلیل هم استفاده کنند.

خواندن این کتاب را به چه کسانی پیشنهاد می‌کنیم؟

خواندن کتاب رمزگشایی هوش مصنوعی به این گروه‌ها پیشنهاد می‌شود:

• دانشجویانی که می‌خواهند با مفاهیم پایه‌ی یادگیری ماشین و منطق الگوریتم‌های اصلی آشنا شوند.
• مخاطبانی که قصد دارند اجرای مدل‌های یادگیری ماشین را در محیط متلب دنبال کنند.
• کسانی که در شروع مسیر علوم داده هستند و به یک متن آموزشی همراه با مثال و کد نیاز دارند.
• خوانندگانی که می‌خواهند تفاوت یادگیری نظارت‌شده و بدون نظارت را با نمونه‌های روشن‌تر بفهمند.
• افرادی که می‌خواهند درباره‌ی ارزیابی مدل، خطا و پیش‌بینی برای داده‌های جدید شناخت دقیق‌تری به دست آورند.