کتاب هوش مصنوعی با پایتون (راهنمای کامل برای ساخت برنامه های هوشمند Python 3.x و TensorFlow 2)

فصل 1 : آشنایی با هوش مصنوعی

1-1. هوش مصنوعی چیست؟ 

1-2. چرا نیاز به مطالعه هوش مصنوعی داریم؟ 

1-3. شاخه‌های هوش مصنوعی  

1-4. پنج خانواده‌ی یادگیری ماشین  

1-5. تعریف هوش با استفاده از آزمون تورینگ   

1-6. ساخت ماشین‌هایی که مانند انسان فکر می‌کنند 

1-7. ساخت عامل‌های عقلانی  

1- 8. حل‌کننده مسأله عمومی

1-9. ساخت یک عامل هوشمند

1-10. نصب پایتون 3 

1-11. نصب بسته‌ها

1-12. بارگیری داده‌ها

1-13. خلاصه 

فصل 2 : کاربردهای بنیادین هوش مصنوعی

2-1. کاربردهای هوش مصنوعی  

2-2. دستیاران شخصی دیجیتال و چت‌بات‌ها

2-3. اتومبیل خودران 

2-4. حمل و نقل و مدیریت انبار یک مرکز 

2-5. سلامتی انسان 

2-6. جستجوی دانش   

2-7. سیستم‌های پیشنهادگر 

2-8. خانه هوشمند

2-9. بازی  

2-10. ساخت فیلم 

2-11. کارشناسی تعهد و تحلیل معامله 

2-12.  پاکسازی  و تبدیل داده‌ها

2-13. خلاصه 

فصل 3 : خط سیر یادگیری ماشین

3-1. خط سیر یادگیری ماشین چیست؟ 

3-2. تعریف مسأله 

3-3. جذب داده‌ها

3-4. آماده‌سازی داده‌ها

3-5. تفکیک داده‌ها

3-6. آموزش مدل 

3-7. خلاصه 

فصل 4 : انتخاب ویژگی‌ها و مهندسی ویژگی‌ها

4-1. انتخاب ویژگی‌ها

4-2. مهندسی ویژگی‌ها

4-3. مدیریت داده‌های پرت  

4-4. رمزگذاری تک نمود

4-5. تبدیل لگاریتمی

4-6. مقیاس‌گذاری

4-7. کار با تاریخ

4-8. خلاصه 

فصل 5 : دسته‌بندی و رگرسیون با یادگیری با نظارت

5-1. یادگیری با نظارت در مقابل یادگیری بدون نظارت  

5-2. دسته‌بندی چیست؟ 

5-3. پیش پردازش داده‌ها

5-4. رمزگذاری برچسب  

5-5. دسته‌بندهای رگرسیون لُجستیک   

5-6. دسته‌بند نایو بیز

5-7. ماتریس سردرگمی  

5-8. ماشین‌های بردار پشتیبان

5-9. دسته‌بندی داده‌های درآمد با استفاده از SVM   

5-10. رگرسیون چیست؟ 

5-11. خلاصه 

فصل 6 : تحلیل پیشگویانه با یادگیری جمعی

6-1. درخت تصمیم چیست؟ 

6-2. یادگیری جمعی چیست؟ 

6-3. جنگل‌های تصادفی و جنگل‌های بسیار تصادفی چیست؟ 

6-4. عدم توازن در دسته‌ها

6-5. یافتن پارامترهای بهینه آموزش با استفاده از جستجوی شبکه‌ای  

6-6. محاسبه‌ی اهمیت ویژگی نسبی  

6-7. پیش‌بینی ترافیک با رگرسیون جنگل بسیار تصادفی  

6-8. خلاصه

فصل 7 : شناسایی الگو با یادگیری بدون نظارت

7-1. یادگیری بدون نظارت چیست؟ 

7-2. خوشه‌بندی داده‌ها با الگوریتم K-Means 

7-3. مدل‌های مخلوط گاوسی چیست؟ 

7-4. یافتن زیرگروه‌ها در بازار بورس با مدل انتشار وابستگی

7-5. تقسیم بازار براساس الگوهای خرید 

7-6. خلاصه 

فصل 8 : سیستم‌های پیشنهادگر

8-1. استخراج نزدیک‌ترین همسایگان 

8-2. ساخت دسته‌بند K ـ نزدیک‌ترین همسایه 

8-3. محاسبه‌ی امتیازات شباهت

8-4. پیدا کردن کاربران مشابه با استفاده از پالایش مشارکتی

8-5. ساخت یک سیستم توصیه فیلم 

8-6. خلاصه 

فصل 9 : برنامه‌نویسی منطقی

9-1. برنامه‌نویسی منطقی چیست؟ 

9-2. درک بلوک‌های سازنده‌ی برنامه‌نویسی منطقی  

9-3. حل مسائل با استفاده از برنامه‌نویسی منطقی  

9-4. نصب بسته‌های پایتون 

9-5. تطبیق عبارات ریاضی  

9-6. اعتبارسنجی اعداد اول 

9-7. تجزیه‌ی یک شجره‌نامه 

9-8. تجزیه‌ و تحلیل جغرافیا

9-9. ساخت یک حل‌کننده‌ی پازل 

9-10. خلاصه 

فصل 10 : تکنیک‌های جستجوی اکتشافی

10-1. آیا جستجوی اکتشافی هوش مصنوعی است؟ 

10-2. جستجوی اکتشافی چیست؟ 

10-3. مسائل ارضای محدودیت  

10-4. تکنیک‌های جستجوی محلی  

10-5. ساخت یک رشته با استفاده از جستجوی حریصانه 

10-6. حل مسأله با محدودیت‌ها

10-7. حل مسأله رنگ‌آمیزی منطقه 

10-8. ساخت یک حل‌کننده‌ی پازل ـ 8

10-9. ساخت یک حلقه هزارتو 

10-10. خلاصه 

فصل 11 : الگوریتم‌های ژنتیک و برنامه‌نویسی ژنتیک

11-1. خانواده تکامل‌گرایان 

11-2. درک الگوریتم‌های تکاملی و ژنتیک   

11-3. مفاهیم پایه در الگوریتم‌های ژنتیک   

11-4. ایجاد الگوی بیتی با پارامترهای از پیش تعریف شده

11-5. بصری‌سازی تکامل  

11-6. حل مسأله‌‍‌ی رگرسیون نماد

11-7. ساخت یک روبات کنترل هوشمند 

11-8. موارد استفاده از برنامه‌نویسی ژنتیک   

11-9. خلاصه 

فصل 12 : هوش مصنوعی روی ابر

12-1. چرا شرکت‌ها به ابر مهاجرت می‌کنند؟ 

12-2. ارائه‌دهندگان برتر ابر 

12-3. خدمات وب آمازون (AWS)

12-4. مایکروسافت آزور 

12-5. زیرساخت ابر گوگل (GCP)

12-6. خلاصه

فصل 13 : ساخت بازی با هوش مصنوعی

13-1. استفاده از الگوریتم‌های جستجو در بازی‌ها

13-2. جستجوی ترکیبی  

13-3. نصب کتابخانه easyAI 

13-4. ساخت یک روبات برای بازی آخرین سکه‌ی باقیمانده

13-5. ساخت یک روبات برای بازی Tic-Tac-Toe 

13-6. ساخت دو روبات برای بازی دوز چهارتایی در مقابل یکدیگر 

13-7. ساخت دو روبات برای بازی شش پیاده  در مقابل یکدیگر 

13-8. خلاصه 

فصل 14 : سیستم‌های تشخیص گفتار

14-1. کار با سیگنال‌های گفتار 

14-2. رسم سیگنال‌های صوتی  

14-3. تبدیل سیگنال‌های صوتی به حوزه‌ی فراوانی  

14-4. تولید سیگنال‌های صوتی  

14-5. تلفیق آهنگ‌ها برای تولید موسیقی  

14-6. استخراج ویژگی‌های گفتار 

14-7. تشخیص کلمات گفتاری  

14-8. خلاصه 

فصل 15 : پردازش زبان طبیعی

15-1. معرفی و نصب بسته‌ها

15-2. جداسازی واژگان داده‌های متنی  

15-3. تبدیل کلمات به‌شکل پایه‌ی آن‌ها با استفاده از ریشه‌سازی  

15-4. تبدیل کلمات به‌ فرم‌های پایه‌ی آن‌ها با استفاده از بن‌‌سازی  

15-5. تقسیم داده‌های متنی به تکه‌ها

15-6. استخراج فراوانی اصطلاحات با استفاده از مدل کوله‌ی کلمات  

15-7. ایجاد یک پیش‌بینی کننده‌ی دسته 

15-8. ساخت شناسایی جنسیت  

15-9. ساخت تحلیلگر احساسات  

15-10. مدل‌سازی موضوع با استفاده از تخصیص پنهان دیریکله 

15-11. خلاصه 

فصل 16 : چت‌بات‌ها

16-1. آینده‌ی چت‌بات‌ها

16-2. چت‌بات‌های امروز 

16-3. مفاهیم چت‌بات‌

16-4. یک چت‌بات خوش‌ساخت ‌

16-5. زیرساخت‌های چت‌بات  ‌

16-6. ایجاد چت‌بات با استفاده از دیالوگ‌فلو ‌

16-7. خلاصه 

فصل 17 : تحلیل داده‌های متوالی و سری‌های زمانی

17-1. شناخت داده‌های متوالی  

17-2. پردازش داده‌های سری زمانی با پانداس   

17-3. برش داده‌های سری زمانی  

17-4. کار با داده‌های سری زمانی  

17-5. استخراج آمار از داده‌های سری زمانی  

17-6. تولید داده با استفاده از مدل پنهان مارکوف  

17-7. شناسایی توالی‌های الفبا با زمینه‌های تصادفی شرطی  

17-8. تجزیه و تحلیل بازار سهام 

17-9. خلاصه 

فصل 18 : تشخیص تصویر

18-1. اهمیت تشخیص تصویر 

18-2. OpenCV  

18-3. اختلاف قاب‌ها

18-4. ردیابی اشیا با استفاده از فضاهای رنگی  

18-5. ردیابی شیء با استفاده از تفاضل پس‌زمینه 

18-6. ساخت یک ردیاب شیء تعاملی با استفاده از الگوریتم CAMShift

18-7. ردیابی مبتنی‌بر جریان نوری  

18-8. تشخیص چهره و ردیابی  

18-9. تشخیص و ردیابی چشم 

18-10. خلاصه 

فصل 19 : شبکه‌های عصبی

19-1. معرفی شبکه‌های عصبی  

19-2. ساخت دسته‌بندی مبتنی‌بر پرسپترون 

19-3. ساخت یک شبکه عصبی تک‌لایه 

19-4. ساخت یک شبکه عصبی چند‌لایه 

19-5. ساخت یک پله‌ای کننده بردار 

19-6. تجزیه و تحلیل داده‌های متوالی با استفاده از شبکه‌های عصبی بازگشتی  

19-7. رسم حروف در یک پایگاه داده تشخیص نویسه نوری  

19-8. ایجاد یک موتور تشخیص نویسه نوری  

19-9. خلاصه 

فصل 20 : یادگیری عمیق با شبکه‌های عصبی پیچشی

20-1. مبانی شبکه‌های عصبی پیچشی  

20-2. معماری CNN  

20-3. انواع لایه‌ها در  CNN  

20-4. ساخت یک رگرسور خطی مبتنی‌بر پرسپترون 

20-5. ساخت دسته‌بند تصویر با استفاده از یک شبکه عصبی تک‌لایه 

20-6. ساخت دسته‌بند تصویر با استفاده از یک شبکه عصبی پیچشی  

20-7. خلاصه 

20-8. منبع 

فصل 21 : شبکه‌های عصبی بازگشتی و سایر مدل‌های یادگیری عمیق

21-1. مبانی شبکه‌های عصبی بازگشتی  

21-2. معماری RNN  

21-3. یک مورد کاربرد از مدل‌سازی زبان 

21-4. آموزش RNN  

21-5. خلاصه 

فصل 22 : ایجاد عوامل هوشمند با یادگیری تقویتی

22-1. معنای یادگیری چیست  

22-2. یادگیری تقویتی در مقابل یادگیری با نظارت  

22-3. نمونه‌هایی از دنیای واقعی یادگیری تقویتی  

22-4. بلوک‌های سازنده‌ی یادگیری تقویتی  

22-5. ایجاد یک محیط  

22-6. ساخت یک عامل یادگیرنده

22-7. خلاصه 

فصل 23 : هوش مصنوعی و کلان داده

23-1. مبانی کلان داده

23-2. سه V در کلان داده

23-3. کلان داده و یادگیری ماشین  

23-4. بانک‌های اطلاعاتی NoSQL  

23-5. خلاصه 

اختصارات

واژه‌نامه انگلیسی به فارسی

واژه‌نامه فارسی به انگلیسی

مراجع