ریاضیات کاربردی برای هوش مصنوعی و یادگیری عمیق ۲۰۲۲
Practical Mathematics for AI and Deep Learning 2022

کتاب راهنمای ریاضی برای پیمایش در چشم‌انداز پرشتاب هوش مصنوعی

ویژگی‌های کلیدی

● دسترسی به متدولوژی هوش مصنوعی و ریاضیات یادگیری عمیقِ مورد تایید صنعت، همراه با مثال‌هایی که به آسانی قابل درک باشند.
● پوشش‌دهی مدل‌سازی MDP، معادله بلمن، مدل‌های خودرگرسیونی، BERT و ترنسفورمرها.
● نمودارهای دقیق و خط‌به‌خط الگوریتم‌ها، و محاسبات ریاضی که انجام می‌دهند.

توضیحات

برای ساختن سیستمی که بتوان آن را «هوش مصنوعی» نامید، مهم است که ظرفیت طراحی الگوریتم‌هایی را توسعه دهیم که قادر به تصمیم‌گیری خودکار مبتنی بر داده در شرایط عدم قطعیت باشند. حال، برای دستیابی به این هدف، نیاز به درک عمیقی از اجزای پیچیده‌تر جبر خطی، حساب برداری، احتمال و آمار دارید. این کتاب شما را با هر الگوریتم ریاضی، و همچنین معماری، عملکرد و طراحی آن آشنا می‌کند تا بتوانید درک کنید که هر سیستم هوش مصنوعی چگونه کار می‌کند.

این کتاب اصطلاحات رایج مورد استفاده در هوش مصنوعی مانند مدل‌ها، داده‌ها، پارامترهای مدل‌ها و متغیرهای وابسته و مستقل را به شما آموزش می‌دهد. رگرسیون خطی بیزی، مدل مخلوط گاوسی، گرادیان کاهشی تصادفی، و الگوریتم‌های پس انتشار، با پیاده‌سازی از ابتدا بررسی می‌شوند. اکثریت قریب به اتفاق ریاضیات پیچیده مورد نیاز برای محاسبات پیچیده هوش مصنوعی مانند مدل‌های خودرگرسیونی، سیکل GANها و بهینه‌سازی CNN، توضیح داده شده و با هم مقایسه می‌شوند.

در حین خواندن این کتاب، دانشی فراتر از ریاضیات کسب خواهید کرد. به طور خاص، با روش‌های متعدد آموزش هوش مصنوعی، وظایف مختلف NLP و فرآیند کاهش ابعاد داده آشنا خواهید شد.

آنچه خواهید آموخت

● با انتخاب بهترین الگوریتم‌های هوش مصنوعی، مانند یک دانشمند داده حرفه‌ای فکر کنید.
● افق‌های ریاضی خود را برای در بر گرفتن پیشرفته‌ترین روش‌های هوش مصنوعی گسترش دهید.
● درباره شبکه‌های ترنسفورمر، بهبود عملکرد CNN، کاهش ابعاد و مدل‌های مولد اطلاعات کسب کنید.
● چندین طرح شبکه عصبی را به عنوان نقطه شروعی برای ساخت معماری NLP و بینایی کامپیوتری خود کاوش کنید.
● توابع زیان تخصصی و الگوریتم‌های هوش مصنوعی سفارشی برای یک کاربرد تجاری معین ایجاد کنید.

این کتاب برای چه کسانی مناسب است

هر کسی که به هوش مصنوعی و مبانی محاسباتی آن، از جمله یادگیری ماشین، علم داده، یادگیری عمیق، بینایی کامپیوتر و پردازش زبان طبیعی (NLP) علاقه‌مند است، اعم از محققان و متخصصان، این کتاب را همراهی عالی خواهد یافت. این کتاب می‌تواند به عنوان یک مرجع سریع برای متخصصانی که در حال حاضر از انواع موضوعات ریاضی استفاده می‌کنند اما اصول اساسی را به طور کامل درک نمی‌کنند، مفید باشد.

فهرست مطالب

1. مروری بر هوش مصنوعی
2. جبر خطی
3. حساب برداری
4. آمار پایه و نظریه احتمال
5. استنباط آماری و کاربردها
6. شبکه‌های عصبی
7. خوشه‌بندی
8. کاهش ابعاد
9. بینایی کامپیوتر
10. مدل‌های یادگیری ترتیبی
11. پردازش زبان طبیعی
12. مدل‌های مولد

Mathematical Codebook to Navigate Through the Fast-changing AI Landscape

 

KEY FEATURES  

● Access to industry-recognized AI methodology and deep learning mathematics with simple-to-understand examples.

● Encompasses MDP Modeling, the Bellman Equation, Auto-regressive Models, BERT, and Transformers.

● Detailed, line-by-line diagrams of algorithms, and the mathematical computations they perform.

 

DESCRIPTION 

To construct a system that may be referred to as having ‘Artificial Intelligence,’ it is important to develop the capacity to design algorithms capable of performing data-based automated decision-making in conditions of uncertainty. Now, to accomplish this goal, one needs to have an in-depth understanding of the more sophisticated components of linear algebra, vector calculus, probability, and statistics. This book walks you through every mathematical algorithm, as well as its architecture, its operation, and its design so that you can understand how any artificial intelligence system operates.

 

This book will teach you the common terminologies used in artificial intelligence such as models, data, parameters of models, and dependent and independent variables. The Bayesian linear regression, the Gaussian mixture model, the stochastic gradient descent, and the backpropagation algorithms are explored with implementation beginning from scratch. The vast majority of the sophisticated mathematics required for complicated AI computations such as autoregressive models, cycle GANs, and CNN optimization are explained and compared.

 

You will acquire knowledge that extends beyond mathematics while reading this book. Specifically, you will become familiar with numerous AI training methods, various NLP tasks, and the process of reducing the dimensionality of data.

WHAT YOU WILL LEARN

● Learn to think like a professional data scientist by picking the best-performing AI algorithms.

● Expand your mathematical horizons to include the most cutting-edge AI methods.

● Learn about Transformer Networks, improving CNN performance, dimensionality reduction, and generative models.

● Explore several neural network designs as a starting point for constructing your own NLP and Computer Vision architecture.

● Create specialized loss functions and tailor-made AI algorithms for a given business application.

WHO THIS BOOK IS FOR

Everyone interested in artificial intelligence and its computational foundations, including machine learning, data science, deep learning, computer vision, and natural language processing (NLP), both researchers and professionals, will find this book to be an excellent companion. This book can be useful as a quick reference for practitioners who already use a variety of mathematical topics but do not completely understand the underlying principles.

 

TABLE OF CONTENTS

1. Overview of AI

2. Linear Algebra

3. Vector Calculus

4. Basic Statistics and Probability Theory

5. Statistics Inference and Applications

6. Neural Networks

7. Clustering

8. Dimensionality Reduction

9. Computer Vision

10. Sequence Learning Models

11. Natural Language Processing

12. Generative Models