کتاب مبانی هوش مصنوعی مولد با پایتون: کشف تکنیک‌های کلیدی و مواجهه با چالش‌های مدرن در مدل‌های زبان بزرگ

عنوان:

Generative AI Foundations in Python: Discover key techniques and navigate modern challenges in LLMs

نویسنده:

Carlos Rodriguez

انتشارات:

Packt Publishing

نسخه:

pdf

حجم:

3.9MB

دانلود

معرفی کتاب: "مبانی هوش مصنوعی مولد با پایتون: کشف تکنیک‌های کلیدی و مواجهه با چالش‌های مدرن در مدل‌های زبان بزرگ "

شروع سفر خود در زمینه هوش مصنوعی مولد (Generative AI) را با پایتون آغاز کنید؛ در این مسیر، مدل‌های زبانی بزرگ (LLMs) را کشف کرده، اصول مسئولانه استفاده از هوش مصنوعی مولد را درک نموده و دانش خود را از طریق آموزش‌های گام‌به‌گام در کاربردهای دنیای واقعی به کار بگیرید.

ویژگی‌های کلیدی :

  • • کسب مهارت در مهندسی پرامپت (Prompt Engineering)، تنظیم دقیق مدل‌های زبانی بزرگ (LLM Fine-Tuning) و تطبیق با حوزه‌های خاص (Domain Adaptation)
  • • استفاده از مدل‌های مبتنی بر ترنسفورمر و مدل‌های انتشار (Diffusion) برای پیاده‌سازی کاربردهای هوش مصنوعی
  • • آشنایی با راهکارهای بهینه‌سازی عملکرد مدل، رسیدگی به ملاحظات اخلاقی، و ایجاد اعتماد در سیستم‌های هوش مصنوعی

شرح کتاب :

پیچیدگی و گستردگی هوش مصنوعی مولد (GenAI) و مدل‌های زبانی بزرگ گاهی کاربرد عملی آن‌ها را تحت‌الشعاع قرار می‌دهد. درک مفاهیم پایه برای پیاده‌سازی هوش مصنوعی مولد بسیار ضروری است.

این راهنما مفاهیم اصلی پشت مدل‌های پیشرفته تولیدگر را با ترکیب تئوری و کاربرد عملی توضیح می‌دهد. کتاب «پایه‌های هوش مصنوعی مولد در پایتون» با ایجاد درکی پایه‌ای آغاز می‌شود؛ مبانی مدل‌های زبانی مولد و تکامل تاریخی آن‌ها را معرفی کرده و زمینه را برای بررسی عمیق‌تر فراهم می‌کند.

همچنین یاد می‌گیرید که چگونه این مدل‌ها را در کاربردهای واقعی به‌کار گیرید. این کتاب با ساده‌سازی پیچیدگی‌ها، راهنمایی‌های عملی برای استقرار و تنظیم دقیق مدل‌های زبانی از پیش آموزش‌دیده با پایتون ارائه می‌دهد.

در ادامه، به موضوعاتی مانند تنظیم دقیق برای وظایف خاص، تطبیق با دامنه‌های تخصصی، مهندسی پرامپت، ارزیابی کمی و هوش مصنوعی مسئولانه می‌پردازد؛ تمرکز بر استفاده مؤثر و مسئولانه از مدل‌های زبانی بزرگ است.

در پایان این کتاب، مهارت لازم برای کاربرد هوش مصنوعی مولد در مسائل واقعی را کسب خواهید کرد و می‌توانید با اعتماد به نفس و اخلاق‌مدارانه از ظرفیت عظیم آن بهره ببرید.

مخاطب این کتاب کیست؟

این کتاب برای توسعه‌دهندگان، دانشمندان داده و مهندسان یادگیری ماشین است که در پروژه‌های مبتنی بر هوش مصنوعی مولد فعالیت دارند. آشنایی کلی با یادگیری ماشین و یادگیری عمیق، همچنین تسلط نسبی به پایتون، پیش‌نیاز مطالعه این کتاب است.

آنچه در این کتاب خواهید آموخت...

  • • آشنایی با اصول پایه‌ای هوش مصنوعی مولد و نقش آن در پردازش زبان طبیعی (NLP)
  • • بررسی معماری‌های تولیدگر پایه‌ای مانند GAN، ترنسفورمر و مدل‌های انتشار (Diffusion)
  • • یادگیری تنظیم دقیق مدل‌های زبانی بزرگ برای وظایف خاص در NLP
  • • درک انتقال یادگیری و تنظیم مدل برای تطبیق با حوزه‌هایی مانند امور مالی
  • • آشنایی با مهندسی پرامپت، شامل یادگیری درون‌متنی، قالب‌سازی و استدلال زنجیره‌ای (Chain-of-Thought) و بازیابی-تولید (RAG)
  • • پیاده‌سازی اصول مسئولانه در کار با مدل‌های زبانی بزرگ برای کاهش سوگیری، محتوای مضر و سایر خروجی‌های آسیب‌زا

فهرست مطالب

  • Title Page
  • Copyright and Credits
  • Dedications
  • Foreword
  • Contributors
  • Table of Contents
  • Preface
  • Part 1: Foundations of Generative AI and the Evolution of Large Language Models
  • Chapter 1: Understanding Generative AI: An Introduction
  • Generative AI
  • Distinguishing generative AI from other AI models
  • Looking back at the evolution of generative AI
  • Looking ahead at risks and implications
  • Introducing use cases of generative AI
  • The future of generative AI applications
  • Summary
  • References
  • Chapter 2: Surveying GenAI Types and Modes: An Overview of GANs, Diffusers, and Transformers
  • Understanding General Artificial Intelligence (GAI) Types
  • Deconstructing GAI methods
  • Applying GAI models
  • Summary
  • References
  • Chapter 3: Tracing the Foundations of Natural Language Processing and the Impact of the Transformer
  • Early approaches in NLP
  • The emergence of the Transformer in advanced language models
  • Evolving language models
  • Implementing the original Transformer
  • Summary
  • References
  • Chapter 4: Applying Pretrained Generative Models: From Prototype to Production
  • Prototyping environments
  • Transitioning to production
  • Mapping features to production setup
  • Setting up a production-ready environment
  • Local development setup
  • Model selection
  • Updating the prototyping environment
  • Quantitative metrics evaluation
  • Responsible AI considerations
  • Final deployment
  • Summary
  • Part 2: Practical Applications of Generative AI
  • Chapter 5: Fine-Tuning Generative Models for Specific Tasks
  • Foundation and relevance
  • PEFT
  • In-context learning
  • Fine-tuning versus in-context learning
  • Practice project: Fine-tuning for Q&A using PEFT
  • Summary
  • References
  • Chapter 6: Understanding Domain Adaptation for Large Language Models
  • Demystifying domain adaptation
  • Practice project: Transfer learning for the finance domain
  • Summary
  • References
  • Chapter 7: Mastering the Fundamentals of Prompt Engineering
  • The shift to prompt-based approaches
  • Basic prompting
  • Elevating prompts
  • Advanced prompting in action
  • Practice project: Implementing RAG with LlamaIndex using Python
  • Summary
  • References
  • Chapter 8: Addressing Ethical Considerations and Charting a Path Toward Trustworthy Generative AI
  • Ethical norms and values in the context of generative AI
  • Investigating and minimizing bias
  • Constrained generation and eliciting trustworthy outcomes
  • Understanding jailbreaking and harmful behaviors
  • Practice project: Minimizing harmful behaviors with filtering
  • Summary
  • References
  • Index
  • About Packt
  • Other Books You May Enjoy

مشخصات

نام کتاب

Generative AI Foundations in Python: Discover key techniques and navigate modern challenges in LLMs

نویسنده

Carlos Rodriguez

انتشارات

Packt Publishing

تاریخ انتشار

2024

ISBN

9781835460825

تعداد صفحات

190

زبان

انگلیسی

فرمت

pdf

حجم

3.9MB

موضوع

Artificial Intelligence