معرفی و دانلود کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون: تولید متن، صدا و تصویر

معرفی کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون: تولید متن، صدا و تصویر

کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون نوشته‌ی مهدی علیرضا طراحی شده است تا منبعی به زبان ساده برای علاقه‌مندان به این حوزه باشد. مهدی علیرضا در این کتاب به مخاطبان خود توضیح داده است که چگونه با استفاده از زبان برنامه‌نویسی پایتون، یادگیری ماشین و یادگیری عمیق می‌توانید خود طراح مدل‌های زبانی و هوش مصنوعی باشید.

درباره‌ی کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون

کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون نوشته‌ی مهدی علیرضا یک کتاب کوتاه و کاربردی است که مولف برای تبیین مدل‌های زبانی بزرگ مانند چت جی‌پی‌تی و جمینای تالیف کرده است.

اولین سوال در مواجهه با مدل‌های زبانی بزرگ برای خوانندگانی که اطلاعات چندانی از این حوزه ندارند این خواهد بود: مدل‌های زبانی بزرگ چه هستند و چه کاربردی دارند؟ پاسخ این است: مدل‌های زبانی بزرگ دسته‌ای از مدل‌های پایه هستند که توسط انسان آموزش می‌بینند تا بر روی مقادیر زیاد داده کار کنند. کار بر روی ابرداده‌ها آن‌ها را قادر می‌سازد که زبان طبیعی را دریافت، فهم و تحلیل کنند. با رشد تکنولوژی مدل‌های زبانی بزرگ در بسیاری از حوزه‌ها کاربرد دارند و منجر به صرفه‌جوییِ زمان و هزینه در بسیاری از علوم خصوصا حیطه‌ی محتوا شده‌اند.

مهدی علیرضا با سابقه‌ی تدریس رباتیک و هوش مصنوعی کتاب خود را در نه فصل تدوین کرده است. این مولف فصل اول را به توضیح مفاهیم اولیه اختصاص داده است. او در این فصل Language Models را معرفی می‌کند و شما را با زبان برنامه‌نویسی پایتون و کتابخانه‌های مورد نیاز برای فعالیت در این حوزه آشنا می‌کند. در فصل دوم با عنوان «پیش‌پردازش داده‌ها» مهدی علیرضا به شما خواهد آموخت که چگونه از تکنیک‌های مختلف برای جمع‌آوری داده‌ها و پالوده کردن داده‌های جمع‌آوری شده استفاده کنید. در فصل سوم شما با معماری کامپیوتر آشنا خواهید شد و درباره‌ی شبکه‌های عصبی بیشتر خواهید آموخت. این بخش در شکل‌‌گیری LLMs نقشی حیاتی دارد.

در فصل پنجم با عنوان «تولید متن»، شما با چگونگی تولید جملات، محدودیت‌ها و روش‌های ارزیابی آن آشنا می‌شوید. حال که با تولید متن به‌خوبی آشنا شده‌اید می‌توانید در فصل ششم تکنیک‌هایی برای بهبود کار بیاموزید و در فصل هفتم به مسائل و چالش‌های آن با دقت بیشتری بنگرید. کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون دید بسیار خوبی به شما خواهد داد، خصوصا اگر با دقت به خواندن فصل هشتم آن تحت عنوان کاربردها بپردازید. در فصل آخر مهدی علیرضا به شما چشم‌اندازی نسبت به آینده‌ی این رشته ارائه می‌دهد که با بهره گرفتن از آن به‌راحتی بتوانید آینده‌ی شغلی بهتری را برای خود متصور شوید.

این کتاب را انتشارات نارون دانش منتشر کرده است.

کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون برای چه کسانی مناسب است؟

اگر به حوزه‌ی هوش مصنوعی علاقه‌مندید یا در ابتدای کسب تخصص در این حوزه هستید این کتاب توصیه‌ی ما به شماست.

در بخشی از کتاب مدل‌های زبانی بزرگ (Large Language Models - LLMs) و هوش مصنوعی مولد (Generative AI) با پایتون: تولید متن، صدا و تصویر می‌خوانیم

Language Models (مدل‌های زبانی) از جمله مهم‌ترین و پرکاربردترین مدل‌های یادگیری ماشین در حوزه پردازش زبان طبیعی (NLP-Natural Language Processing) هستند. این مدل‌ها به منظور درک و تولید متون مبتنی بر زبان طراحی شده‌اند. آن‌ها به صورت خودکار الگوها و ساختارهای زبانی را تشخیص داده و قادر به تولید متون جدید بر اساس داده‌های آموزشی خود هستند.

مدل‌های زبانی از روش‌های مختلفی مثل مدل‌های احتمال برای پیش‌بینی کلمات و جملات استفاده می‌کنند. آن‌ها با تحلیل متون آموزشی و تشخیص الگوها، احتمال ظاهر شدن کلمات در موقعیت‌های مختلف را تخمین می‌زنند. این تخمین‌ها براساس آمارهای متنی مانند احتمال ظاهر شدن کلمه بعدی به‌عنوان پیشامد در یک توالی کلمات است. یکی از مهم‌ترین استفاده‌های مدل‌های زبانی، تولید متن جدید است. با استفاده از این مدل‌ها، می‌توان متونی را تولید کرد که شباهت زیادی به متون ورودی داشته باشند. همچنین، این مدل‌ها قادر به تکمیل جملات، تولید شعر و حتی ترجمه متون به زبان‌های دیگر نیز هستند. مدل‌های زبانی را می‌توان در زمینه‌های گسترده‌ای مثل بازیابی اطلاعات، تحلیل احساسات متن، خلاصه‌سازی و تولید محتوا برای روبات‌ها و اپلیکیشن‌های هوشمند استفاده کرد. این مدل‌ها با بهبود پیچیدگی و کیفیت متون تولیدی، قابلیت همکاری بیشتر با انسان‌ها را در زمینه پردازش زبان فراهم می‌کنند.

با پیشرفت تکنولوژی یادگیری عمیق (Deep Learning)، مدل‌هایی چون Word2Vec"" که توانایی تبدیل واژه‌ها به بردارهای عددی را داشتند، معرفی شدند. این تبدیل های برداری، امکان محاسبه مفاهیم معنایی بین واژه‌ها را فراهم می‌کردند. سپس با ظهور مدل‌های زبانی با معماری ترنسفورمر (Transformer) نظیر مدل BERT"" که توسط محققان شرکت گوگل معرفی شده بود، گام مهمی در مدل‌های زبانی بزرگ و پیچیده برداشته شد.

فهرست مطالب کتاب

مقدمه
فصل 1: مفاهیم اولیه
1.1 معرفی Language Models
1.2 مقدمه‌ای بر Generative AI
1.3 پایتون وکتابخانه های مورد نیاز
فصل 2: پیش‌پردازش داده‌ها
2.1 جمع‌آوری داده‌ها
2.2 تمیزکردن داده‌ها (Cleansing - Cleaning)
2.3 جدا کردن کلمات Tokenization
2.4 تبدیل کلمات به بردارهای عددی (Embedding)
2.5 نرمال سازی و ایجاد داده‌های ورودی و خروجی
فصل 3: ساختار و معماری
3.1 معماری شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
3.2 معرفی برخی مدل‌های زبانی
3.3 طراحی معماری LLM
فصل 4: آموزش و تنظیم مدل
4.1 مفهوم آموزش مدل و الگوریتم‌های بهینه‌سازی
4.2 انتخاب تابع هزینه
4.3 تنظیم پارامترها و هایپرپارامترها
4.4 استفاده از داده‌های آموزش و ارزیابی مدل
فصل 5: تولید متن
5.1 نکات اولیه در تولید متن
5.2 تولید جملات
5.3 ایجاد محدودیت‌ها برای تولید متن
5.4 ارزیابی مدل تولید متن
فصل 6: بهبود و پیشرفت بیشتر
6.1 تکنیک‌های افزایش دقت و کیفیت مدل
6.2 افزایش سرعت و کارایی مدل
6.3 تطبیق مدل به حوزه‌های خاص
فصل 7: مسائل و چالش‌ها
7.1 مسائل و خطاهای مدل
7.2 مشکل Overfitting و راهکارهای مقابله با آن
7.3 مقابله با عدم قطعیت در تولید متن
فصل 8: کاربردها
8.1 تولید خودکار متن
8.2 ترجمه و خلاصه کردن متن
8.3 پاسخ‌گویی خودکار به سوالات کاربران
8.4 تولید تصویر و صدا با استفاده از متن
فصل 9: پژوهش‌های آینده
9.1 نوآوری‌های حوزه LLMs
9.2 روند پژوهش‌های آتی و چالش‌های بزرگ
9.3 پیش‌بینی آینده و کاربردهای گسترده‌تر
سخن پایانی