دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Zonunfeli Ralte. Indrajit Kar
سری:
ناشر: BPB Publications
سال نشر: 2024
تعداد صفحات: 348
[787]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Learn Python Generative AI: Journey from autoencoders to transformers to large language models به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی Python Generative را بیاموزید: سفر از رمزگذارهای خودکار به ترانسفورماتورها تا مدلهای زبان بزرگ نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یاد بگیرید که قدرت خلاقیت هوش مصنوعی را آزاد کنید. ویژگی های کلیدی ● مفاهیم اصلی مرتبط با هوش مصنوعی مولد را درک کنید. ● انواع مختلف مدل های مولد و کاربردهای آنها. ● نحوه طراحی شبکه های عصبی هوش مصنوعی مولد با استفاده از پایتون و تنسورفلو را بیاموزید. توضیحات این کتاب در مورد دنیای پیچیده هوش مصنوعی مولد تحقیق می کند و به خوانندگان درک گسترده ای از اجزا و کاربردهای مختلف در این زمینه ارائه می دهد. این کتاب با تجزیه و تحلیل عمیق مدلهای مولد آغاز میشود، پایهای محکم ارائه میکند و تفاوتهای ظریف ترکیبی آنها را بررسی میکند. سپس بر تقویت TransVAE، یک رمزگذار خودکار متغیر، تمرکز میکند و ترانسفورماتور Swin را در هوش مصنوعی مولد معرفی میکند. گنجاندن برنامه های کاربردی پیشرفته مانند ساخت جستجوی تصویر با استفاده از Pinecone و پایگاه داده برداری، محتوای آن را بیشتر غنی می کند. این روایت به کاربردهای عملی تغییر میکند و تأثیر GenAI را در مراقبتهای بهداشتی، خردهفروشی، و امور مالی با نمونههای واقعی و راهحلهای نوآورانه نشان میدهد. در بخش مراقبت های بهداشتی، بر نقش تحول آفرین هوش مصنوعی در تشخیص و مراقبت از بیمار تأکید می کند. در خردهفروشی و امور مالی، نشان میدهد که هوش مصنوعی چگونه تعامل و تصمیمگیری مشتری را متحول میکند. این کتاب با ترکیب یادگیریهای کلیدی، ارائه بینشهایی در مورد آینده هوش مصنوعی مولد و تبدیل آن به راهنمای جامع برای صنایع مختلف به پایان میرسد. خوانندگان متوجه خواهند شد که به درک عمیقی از هوش مصنوعی مولد، کاربردهای فعلی آن و پتانسیل بی حد و حصر آن برای نوآوری های آینده مجهز خواهند شد. آنچه خواهید آموخت ● مهارت های عملی در طراحی و اجرای مدل های مختلف هوش مصنوعی مولد به دست آورید. ● در پایگاه های داده برداری و جاسازی های تصویر، که برای جستجوی تصویر و بازیابی داده ها ضروری است، تخصص کسب کنید. ● با استفاده از بینشهای خاص بخش، چالشهای مربوط به مراقبتهای بهداشتی، خردهفروشی، و امور مالی را بررسی کنید. ● تصاویر و متن را با VAE، GAN، LLM و پایگاه داده برداری تولید کنید. ● روی هر دو تکنیک سنتی و پیشرفته در هوش مصنوعی مولد تمرکز کنید. این کتاب برای چه کسی است. فهرست مطالب 1. معرفی Generative AI 2. طراحی شبکه های Generative Adversarial 3. آموزش و توسعه شبکه های Generative Adversarial 4. Architecting Auto Encoder for Generative AI 5. Building and Training Generative Autoencoders 6. Designing Autoencoder Autoencoders Variation. هوش مصنوعی مولد 8. اصول اولیه طراحی ترانسفورماتور چشم انداز مولد عصر جدید 9. پیاده سازی ترانسفورماتور چشم انداز مولد 10. بازسازی معماری برای مدل سازی مولد 11. موانع فنی عمده در هوش مصنوعی مولد و راه پیش رو 12. بررسی اجمالی و کاربرد کلیدهای یادگیری ژنراتیو 13.
Learn to unleash the power of AI creativity KEY FEATURES ● Understand the core concepts related to generative AI. ● Different types of generative models and their applications. ● Learn how to design generative AI neural networks using Python and TensorFlow. DESCRIPTION This book researches the intricate world of generative Artificial Intelligence, offering readers an extensive understanding of various components and applications in this field. The book begins with an in-depth analysis of generative models, providing a solid foundation and exploring their combination nuances. It then focuses on enhancing TransVAE, a variational autoencoder, and introduces the Swin Transformer in generative AI. The inclusion of cutting edge applications like building an image search using Pinecone and a vector database further enriches its content. The narrative shifts to practical applications, showcasing GenAI's impact in healthcare, retail, and finance, with real-world examples and innovative solutions. In the healthcare sector, it emphasizes AI's transformative role in diagnostics and patient care. In retail and finance, it illustrates how AI revolutionizes customer engagement and decision making. The book concludes by synthesizing key learnings, offering insights into the future of generative AI, and making it a comprehensive guide for diverse industries. Readers will find themselves equipped with a profound understanding of generative AI, its current applications, and its boundless potential for future innovations. WHAT YOU WILL LEARN ● Acquire practical skills in designing and implementing various generative AI models. ● Gain expertise in vector databases and image embeddings, crucial for image search and data retrieval. ● Navigate challenges in healthcare, retail, and finance using sector specific insights. ● Generate images and text with VAEs, GANs, LLMs, and vector databases. ● Focus on both traditional and cutting edge techniques in generative AI. WHO THIS BOOK IS FOR This book is for current and aspiring emerging AI deep learning professionals, architects, students, and anyone who is starting and learning a rewarding career in generative AI. TABLE OF CONTENTS 1. Introducing Generative AI 2. Designing Generative Adversarial Networks 3. Training and Developing Generative Adversarial Networks 4. Architecting Auto Encoder for Generative AI 5. Building and Training Generative Autoencoders 6. Designing Generative Variation Auto Encoder 7. Building Variational Autoencoders for Generative AI 8. Fundamental of Designing New Age Generative Vision Transformer 9. Implementing Generative Vision Transformer 10. Architectural Refactoring for Generative Modeling 11. Major Technical Roadblocks in Generative AI and Way Forward 12. Overview and Application of Generative AI Models 13. Key Learnings