کتاب هوش مصنوعی چگونه کار میکند؟ نوشتهی رونالد تی نیوسل با زبانی ساده و بدون معادلات ریاضی، عملکرد، تاریخچه و تکامل هوش مصنوعی را توضیح میدهد. این کتاب مناسب علاقهمندان به یادگیری مباحث پیرامون AI از قبیل مفاهیم یادگیری ماشین، شبکههای عصبی و مدلهای زبانی بزرگ مانند ChatGPT است.
دربارهی کتاب هوش مصنوعی چگونه کار میکند؟
کتاب هوش مصنوعی چگونه کار میکند؟ (How AI Works: From Sorcery to Science) نوشتهی رونالد تی نیوسل با زبانی ساده و بدون معادلات پیچیده، عملکرد هوش مصنوعی، تحولات آن و فرایندهای پشت صحنهاش را توضیح میدهد. این فناوری امروزه در همهجا حضور دارد؛ از خودروهای خودران گرفته تا سیستمهای زبانی پیشرفته مثل ChatGPT و Bard. با این حال کمتر کسی میداند واقعاً چگونه کار میکند.
کتاب هوش مصنوعی چگونه کار میکند؟ توسط مهدی اسماعیلی و رامین مولاناپور به فارسی ترجمه و انتشارات آتی نگر آن را منتشر کرده است.
نکوداشتهای کتاب هوش مصنوعی چگونه کار میکند؟
- کتاب هوش مصنوعی چگونه کار میکند؟ با زبانی ساده مسیر تکامل هوش مصنوعی و یادگیری ماشین را از ابتدا تا نمونههای پیشرفته توضیح میدهد و راهنمایی روشن برای ورود به دنیای AI است. (آنتوان تاردیف، مدیرعامل Unite.AI)
- رونالد تی نیوسل در این کتاب تاریخ هوش مصنوعی را مرور میکند، مفاهیم پایه را برای مبتدیان روشن میسازد و حتی دید تازهای برای متخصصان فراهم میکند. (بن دیکسون، مهندس نرمافزار و سردبیر TechTalks)
کتاب هوش مصنوعی چگونه کار میکند؟ برای شما مناسب است اگر
- علاقهمند به درک عملکرد هوش مصنوعی بدون نیاز به فرمولهای پیچیده هستید.
- میخواهید مفاهیم مهم حوزهی هوش مصنوعی، یعنی یادگیری ماشین و یادگیری عمیق را بفهمید.
- کنجکاو هستید بدانید شبکههای عصبی چیستند و چه کارکردی دارند.
در بخشی از کتاب هوش مصنوعی چگونه کار میکند؟: از جادوگری تا علوم میخوانیم
ماشینهای بردار پشتیبان از لحاظ ریاضی زیبا هستند و فعالان از این زیبایی برای تغییر اَبرپارامترها و کِرنل مورد استفاده، همراه با مجموعهای از رویکردهای آمادهسازی دادههای مکتب قدیمی استفاده میکنند تا مدلی با عملکرد خوب بسازند که روی دادههای موجود در طبیعت بهخوبی عمل کند. هر گام از این فرایند وابسته به شهود و تجربه انسانی است که مدل را میسازد. اگر او آگاه و باتجربه باشد و مجموعه داده با چنین مدلی سازگار باشد، احتمالاً موفق خواهد شد، اما موفقیت تضمینشده نیست. از سوی دیگر، شبکههای عصبی ژرف بزرگ و تا حدی درهم و برهم هستند و با دادههای خامی که به آنها داده میشود، زندگی میکنند یا میمیرند. با این حال، هنگام پرداختن به مسئلهای با مجموعه حداقلی از مفروضات، شبکههای عصبی میتوانند روی عناصری از مجموعه داده که انسانها توانایی درک آنها را ندارند، تعمیم دهند که به نظر من اغلب به همین دلیل است که شبکههای عصبی مدرن میتوانند کاری را انجام دهند که پیشتر تصور میشد تقریباً غیرممکن است.
SVMها طبقهبندهای دودویی هستند: آنها بین دو کلاس، مانند مجموعه داده در شکل 3-3، تمایز قائل میشوند. اما گاهی باید بین بیش از دو کلاس تمایز قائل شویم. چگونه میتوانیم این کار را با SVM انجام دهیم؟
دو گزینه برای تعمیم SVMها به مسائل چندکلاسه داریم. فرض کنید 10 کلاس در مجموعه داده داریم. رویکرد تعمیم اول، ده SVM را آموزش میدهد که مورد اول سعی میکند کلاس صفر را از نُه کلاس دیگر جدا کند. مورد دوم نیز تلاش میکند که کلاس 1 را از نُه کلاس دیگر جدا کند و به همین ترتیب، مجموعهای از مدلها را ارائه میدهد که هر کدام سعی میکنند یک کلاس را از بقیه جدا کند.
