کتاب Make Your Own Neural Network (شبکه عصبی خودتان را بسازید)، برای هر کسی است که می‌خواهد بفهمد که شبکه عصبی چیست، شبکه عصبی خودش را بسازد و از آن استفاده کند. همچنین این کتاب برای هر کسی است که می‌خواهد از ایده‌های ریاضی نسبتا ساده ولی هیجان انگیزی قدردانی کند که اساس نحوه‌ی کار شبکه عصبی بر آن‌ها استوار است. این راهنما برای متخصصان ریاضیات یا علوم کامپیوتر طراحی نشده است؛ بنابر این شما نیازی به دانش خاصی یا توانایی ریاضی فراتر از ریاضیات مدرسه نخواهید داشت. اگر می‌توانید جمع، ضرب، تفریق و تقسیم کنید، پس می‌توانید شبکه عصبی خود را بسازید. سخت‌ترین چیزی که ما استفاده می‌کنیم محاسبه گرادیان است؛ اما حتی این مفهوم نیز توضیح داده می‌شود تا خوانندگان بتوانند تا جای ممکن آن را درک کنند.

در این کتاب، ما سفری را برای ایجاد یک شبکه عصبی آغاز می‌کنیم که بتواند اعداد دست نویس انسان را تشخیص دهد. ما با نورون‌های پیش بینی بسیار ساده شروع می‌کنیم و زمانی که به محدودیت‌های آن‌ها رسیدیم، به تدریج آن‌ها را بهبود می‌بخشیم. در طول مسیر، ما برای یادگیری چند مفهوم ریاضی که برای درک نحوه‌ی یادگیری و پیش بینی راه حل‌های مشکلات شبکه‌های عصبی ضروری هستند، توقف‌های کوتاهی انجام می‌دهیم. ما ایده‌های ریاضی مانند توابع، طبقه بندی کننده‌های خطی ساده، اصلاح تکرار شونده، ضرب ماتریس، محاسبه گرادیان، بهینه سازی از طریق نزول گرادیان و حتی چرخش‌های هندسی را بررسی خواهیم کرد. اما همه اینها به روشی واقعا واضح توضیح داده خواهند شد و مطلقاً هیچ دانش یا تخصص قبلی فراتر از ریاضیات ساده مدرسه نیاز نخواهد بود.

هنگامی که اولین شبکه عصبی خود را با موفقیت ایجاد کردیم، ایده می‌گیریم و با آن در مسیر‌های مختلف کار می‌کنیم. به عنوان مثال، ما از پردازش تصویر برای بهبود یادگیری ماشین خود بدون توسل به داده‌های آموزشی اضافی استفاده می‌کنیم. ما حتی به ذهن یک شبکه عصبی نگاهی می‌اندازیم تا ببینیم آیا چیزهای روشنی را نشان می‌دهد یا خیر؛ چیزی که بسیاری از راهنماها به شما نشان نمی‌دهند که چگونه انجام دهید! ما همچنین همانطور که شبکه عصبی خودمان را در مراحل تدریجی ایجاد می‌کنیم پایتون را یاد می‌گیریم که یک زبان برنامه نویسی آسان، مفید و محبوب است. باز هم تکرار می‌کنم که داشتن هیچ تجربه قبلی برنامه نویسی فرض نشده و نیاز نیست.

این روزها، پایتون بدون شک یکی از مهمترین بسترهای استراتژیک فناوری در صنعت مالی است. هنگامی که شروع به نوشتن ویرایش اول این کتاب در سال 2013 می‌کردم، هنوز مکالمات و ارائه‌های زیادی داشتم که در آن بی وقفه بر سر مزیت‌های رقابتی پایتون در امور مالی نسبت به زبان‌ها و پلتفرم‌های دیگر بحث می‌کردم. اواخر سال 2018، این دیگر جای سوال نیست: موسسات مالی در سراسر جهان اکنون به سادگی سعی می‌کنند تا از پایتون و اکوسیستم قدرتمند آن، از جمله پکیج‌های تجزیه و تحلیل داده ها، مصور سازی و یادگیری ماشین بهترین استفاده را ببرند.
فراتر از حوزه مالی، همچنین در دوره‌های مقدماتی برنامه نویسی مانند برنامه‌های علوم کامپیوتر، اغلب پایتون زبان انتخابی است. فراتر از نحو خوانا و رویکرد چند پارادایمی آن، یک دلیل بزرگ برای این امر این است که پایتون به یک first class citizen در حوزه‌های هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) تبدیل شده است. بسیاری از محبوب‌ترین پکیج‌ها و کتابخانه‌ها در این حوزه‌ها یا مستقیماً با پایتون نوشته شده اند(مانند scikit-learn برای ML) یا دارای wrapper‌های پایتون هستند (مانند TensorFlow برای DL). 
خود دانش مالی وارد دوره جدیدی می‌شود و دو نیروی عمده این تحول را پیش می‌برند. اولین مورد، دسترسی برنامه نویسی به همه‌ی داده‌های مالی دردسترس است - به طور کلی، این اتفاق به صورت بلادرنگ رخ می‌دهد و همان چیزی است که منجر به دانش مالی داده محور می‌شود. دهه‌ها پیش، بیشتر تصمیمات مربوط به معاملات یا سرمایه گذاری توسط آنچه که بازرگانان و مدیران سرمایه گذاری می‌توانستند در روزنامه‌ها بخوانند یا از طریق مکالمات شخصی یاد بگیرند، پیش برده می‌شد. سپس ترمینال هایی آمدند که داده‌های مالی را از طریق کامپیوتر و ارتباطات الکترونیکی به صورت بلادرنگ به میز معامله گران و مدیران سهام می‌آوردند. امروزه، افراد (یا تیم ها) دیگر نمی‌توانند با حجم عظیم داده‌های مالی تولید شده حتی در یک دقیقه همگام شوند. فقط ماشین‌ها با سرعت پردازش و قدرت محاسباتی روز افزونشان، می‌توانند با حجم و سرعت داده‌های مالی همگام شوند. این بدان معناست که در بین چیز‌های دیگر، بیشتر حجم معاملات سهام جهانی امروز توسط الگوریتم‌ها و کامپیوتر‌ها انجام می‌شوند تا معامله گران انسانی.
دومین نیروی مهم، اهمیت روزافزون هوش مصنوعی در امور مالی است. بیشتر موسسات مالی سعی می‌کنند تا از الگوریتم‌های ML و DL برای بهبود عملیات و عملکرد تجاری و سرمایه گذاری خود استفاده کنند. در آغاز سال 2018، اولین کتاب اختصاصی در مورد «یادگیری ماشین دانش مالی» منتشر شد، که بر این trend تاکید می‌کرد. بدون تردید، چیز‌های بیشتری برای آمدن وجود دارند. این منجر به آنچه می‌شود که ممکن است AI-first finance نامیده شود، جایی که الگوریتم‌های انعطاف پذیر و قابل پارامتری شدن ML و DL، جایگزین تئوری مالی سنتی می‌شوند - نظریه ای که ممکن است زیبا باشد اما دیگر در دوره‌ی جدید دانش مالی اول-هوش مصنوعی و مبتنی بر داده، شاید بسیار مفید نباشد.
پایتون زبان برنامه نویسی و اکوسیستم مناسب برای از عهده بر آمدن چالش‌های این دوره از دانش مالی است. اگرچه این کتاب، الگوریتم‌های اساسی یادگیری ماشین برای یادگیری بدون نظارت و تحت نظارت (به عنوان مثال شبکه‌های عصبی عمیق) را شامل می‌شود، تمرکز آن بر روی توانایی‌های پردازش و تحلیل داده‌های پایتون است. برای دانستن کامل اهمیت هوش مصنوعی در امور مالی، اکنون و در آینده، کتاب دیگری لازم است. با این حال بیشتر تکنیک‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، به چنین حجم بزرگی از داده‌ها نیاز دارند که تسلط بر امور مالی داده محور باید به هر حال حرف اول را بزند.
کتاب Python for Finance: Mastering Data-Driven Finance 2nd Edition (پایتون برای دانش مالی: تسلط برای دانش مالی داده محور، ویرایش دوم)، برای پایتون 3 به روز شده است و به شما کمک می‌کند تا با زبان پایتون شروع به کار کنید و توسعه دهندگان و تحلیلگران کمی را برای ساخت برنامه‌های مالی و تحلیل‌های مالی تعاملی با کتابخانه‌ها و ابزار‌های پایتون راهنمایی می‌کند. نویسنده این کتاب، ایو هیلپیش (Yves Hilpisch)، با استفاده از مثال‌های عملی در سراسر کتاب، به شما نشان می‌دهد که چگونه یک چارچوب تمام عیار برای مشتقات مبتنی بر شبیه سازی مونت کارلو و تجزیه و تحلیل ریسک، براساس یک مورد مطالعاتی واقع بینانه و بزرگ، توسعه دهید. همچنین در بیشتر کتاب از Notebook‌های تعاملی IPython استفاده شده است.

یادگیری ماشین (ML) رویکردی محبوب برای حل انواع مختلفی از مسائل است. ML به شما امکان می‌دهد تا بدون دانستن الگوریتمی سر راست برای حل مسائل، کار‌های مختلفی انجام دهید. ویژگی اصلی الگوریتم‌های یادگیری ماشین، توانایی آنها در یادگیری راه حل‌ها با استفاده از مجموعه ای از نمونه‌های آموزشی یا حتی بدون آنها است. امروزه، یادگیری ماشین رویکردی گسترده است که در زمینه‌های مختلف صنعت استفاده می‌شود. نمونه هایی از زمینه هایی که یادگیری ماشین از الگوریتم‌های سر راست کلاسیک بهتر عمل می‌کند، شامل بینایی ماشین، پردازش زبان طبیعی و سیستم‌های توصیه گر است. در کتاب Hands-On Machine Learning with C++، الگوریتم‌های یادگیری ماشین تحت نظارت و بدون نظارت را با استفاده از کتابخانه‌های سی پلاس پلاس مانندPyTorch C++ API ، Caffe2، Shogun،Shark-ML ، mlpack و dlib، و با کمک مثال‌ها و مجموعه داده‌های واقعی پیاده سازی خواهید کرد.

زبان ++C می‌تواند باعث شود که مدل‌های یادگیری ماشین شما سریعتر و کارآمدتر اجرا شوند. این راهنمای مفید به شما کمک می‌کند تا اصول یادگیری ماشین (ML) را بیاموزید و به شما نشان می‌دهد که چگونه از کتابخانه‌های سی پلاس پلاس برای بهره برداری بیشتر از داده‌های خود استفاده کنید. این کتاب با رویکرد مثال محور خود، یادگیری ماشین را با زبان سی پلاس پلاس برای مبتدیان آسان می‌کند و نشان می‌دهد که چگونه می‌توان الگوریتم‌های یادگیری ماشین تحت نظارت و نظارت نشده را از طریق مثال‌های واقعی پیاده سازی کرد.

این کتاب با تنظیم و بهینه سازی یک مدل برای موارد استفاده مختلف، به شما در انتخاب مدل و اندازه گیری عملکرد کمک می‌کند. شما با استفاده از کتابخانه‌های مدرن ++C مانند PyTorch C++ API، Caffe2، Shogun، Shark-ML، mlpack و dlib، تکنیک هایی مانند توصیه‌های محصول، یادگیری گروهی و تشخیص ناهنجاری را یاد خواهید گرفت. در ادامه، شما با استفاده از مثال هایی مانند طبقه بندی تصویر و تحلیل احساسات، شبکه‌های عصبی و یادگیری عمیق را بررسی خواهید کرد که به شما در حل مسائل مختلف کمک می‌کنند. همچنین، قبل از بررسی نحوه وارد کردن و صادر کردن مدل‌ها با استفاده از قالب ONNX، یاد خواهید گرفت که چگونه چالش‌های تولید و استقرار را در پلتفرم‌های همراه و ابری مدیریت کنید. با به پایان رساندن این کتاب، شما دانش واقعی سی پلاس پلاس و یادگیری ماشین و همچنین مهارت‌های استفاده از سی پلاس پلاس برای ساختن سیستم‌های قدرتمند یادگیری ماشین را در اختیار خواهید داشت.

اگر می‌خواهید با الگوریتم‌ها و تکنیک‌های یادگیری ماشین با استفاده از زبان محبوب ++C شروع به کار کنید، این کتاب یادگیری ماشین با سی پلاس پلاس برای شما مفید خواهد بود. این کتاب علاوه بر اینکه اولین دوره مفید در یادگیری ماشین با ++C است، همچنین برای تحلیل گران داده، دانشمندان داده و توسعه دهندگان یادگیری ماشین جذاب خواهد بود که به دنبال پیاده سازی مدل‌های مختلف یادگیری ماشین در تولید با استفاده از مجموعه داده‌ها و مثال‌های مختلف هستند. دانش پایه زبان برنامه نویسی سی پلاس پلاس برای شروع کار با این کتاب ضروری است.

ارزش یادگیری ماشین (ML) در امور مالی هر روز آشکارتر می‌شود. انتظار می‌رود که یادگیری ماشین برای عملکرد بازارهای مالی بسیار مهم شود. تحلیلگران، مدیران پورتفولیو، بازرگانان و مدیران ارشد سرمایه گذاری، همه باید با تکنیک‌های ML آشنا باشند. برای بانک‌ها و سایر موسسات مالی که در تلاشند تا تجزیه و تحلیل مالی را بهبود بخشند، فرآیندها را ساده کنند و امنیت را افزایش دهند، ML به فناوری منتخب تبدیل شده است. استفاده از ML در موسسات روند رو به افزایشی دارد و پتانسیل آن برای بهبود سیستم‌های مختلف را می‌توان در استراتژی‌های معاملاتی، قیمت گذاری و مدیریت ریسک مشاهده کرد.

اگرچه یادگیری ماشین در تمام بخش‌های صنعت خدمات مالی پیشرفت قابل توجهی کرده است، اما بین ایده‌ها و اجرای الگوریتم‌های یادگیری ماشین شکافی وجود دارد. درباره این حوزه‌ها انبوهی از مطالب در وب در دسترس است، اما بسیار کم سازماندهی شده اند. علاوه بر این، بیشتر مطالب فقط به الگوریتم‌های تجارت محدود است. کتاب «نقشه‌های یادگیری ماشین و علم داده برای امور مالی» این خلا را پر می‌کند و یک جعبه ابزار یادگیری ماشین سفارشی شده برای بازار‌های مالی را فراهم می‌کند که به خوانندگان اجازه می‌دهد تا بخشی از انقلاب یادگیری ماشین باشند. این کتاب محدود به استراتژی‌های سرمایه گذاری یا معاملاتی نیست، بلکه بر روی استفاده از هنر و صنعت ساخت الگوریتم‌های مبتنی بر ML تمرکز دارد که در صنعت مالی بسیار مهم هستند.

پیاده سازی مدل‌های یادگیری ماشین در امور مالی آسانتر از آن است که عموم تصور می‌کنند. همچنین یک تصور غلط وجود دارد که برای ساخت مدل‌های یادگیری ماشین به کلان داده نیاز است. موارد مطالعاتی در این کتاب تقریباً تمام زمینه‌های یادگیری ماشین را دربر می‌گیرد و هدف آنها مدیریت چنین باورهای غلطی است. این کتاب نه تنها تئوری و موارد مطالعاتی مربوط به استفاده از ML در استراتژی‌های تجاری را پوشش می‌دهد، بلکه در سایر مفاهیم مهم «نیاز به دانستن» مانند مدیریت پورتفولیو، قیمت گذاری مشتقه، تشخیص کلاه برداری، رتبه بندی اعتبار شرکت ها، توسعه مشاور robo و توسعه chatbot نیز ورود می‌کند. این کتاب مسائل واقعی را که متخصصان با آن روبرو هستند را بررسی می‌کند و راه حل‌های علمی معتبری را ارائه می‌دهد که بر کد‌ها و مثال‌ها متکی هستند.

بینایی ماشین، علمی به سرعت در حال تحول است و کاربرد‌ها و تکنیک‌های مختلفی را شامل می‌شود. این کتاب نه تنها به کسانی که تازه شروع به کار با بینایی ماشین کرده اند بلکه به متخصصان این حوزه نیز کمک خواهد کرد. با کمک این کتاب قادر خواهید بود تا با ساختن برنامه هایی با OpenCV 4 و Python 3، مطالب تئوری را به شکل عملی پیاده سازی کنید. ویرایش سوم کتاب یادگیری بینایی ماشین با OpenCV 4 و Python 3، که برای OpenCV 4 و پایتون 3 به روز شده است، جدیدترین مطالب درباره دوربین‌های عمق، ردیابی سه بعدی، واقعیت افزوده و شبکه‌های عصبی عمیق را شامل می‌شود و به شما کمک می‌کند تا مسائل واقعی بینایی ماشین را با کد‌های کاربردی حل کنید.

شما با درک OpenCV 4 و چگونگی نصب آن به همراه پایتون 3 بر روی پلتفرم‌های مختلف، کار را آغاز خواهید کرد. در ادامه، شما یاد خواهید گرفت که چگونه عملیات اصلی مانند خواندن، نوشتن، دستکاری و نمایش تصاویر ثابت، فیلم‌ها و فیدهای دوربین را انجام دهید. این کتاب از راهنمایی شما در زمینه پردازش تصویر، تجزیه و تحلیل ویدئو و تخمین عمق و بخش بندی، تا کمک به شما در انجام تمرینات با ساخت یک برنامه با رابط کاربری گرافیکی، تضمین می‌کند که شما فرصت انجام فعالیت‌های عملی را خواهید داشت. در ادامه، شما با دو چالش محبوب دست و پنجه نرم می‌کنید: تشخیص چهره و شناسایی چهره. شما همچنین درباره طبقه بندی اشیا و مفاهیم یادگیری ماشین یاد خواهید گرفت که شما را قادر می‌سازند تا تشخیص دهنده و دسته بندی کننده اشیا را بسازید و استفاده کنید و حتی اشیا موجود در فیلم‌ها یا فید ویدیویی دوربین را ردیابی کنید. در ادامه، همچنین مهارت‌های خود را در ردیابی سه بعدی و واقعیت افزوده توسعه می‌دهید. سرانجام، شما ANN‌ها و DNN‌ها را بررسی خواهید کرد، و یاد خواهید گرفت که چگونه برنامه هایی را برای شناسایی ارقام دست نویس و طبقه بندی جنسیت و سن فرد ایجاد کنید. در پایان این کتاب، مهارت‌های لازم برای اجرای پروژه‌های بینایی ماشین واقعی را در اختیار خواهید داشت.
اگر شما علاقه مند به یادگیری بینایی ماشین، یادگیری ماشین و OpenCV در زمینه برنامه‌های کاربردی واقعی هستید، این کتاب برای شما مناسب است. این کتاب OpenCV، همچنین برای هر کسی که تازه با بینایی ماشین شروع به کار می‌کند و همچنین متخصصانی که می‌خواهند با OpenCV 4 و Python 3 به روز شوند، مفید خواهد بود. اگرچه هیچ دانش قبلی در مورد پردازش تصویر، بینایی ماشین یا یادگیری ماشین مورد نیاز نیست، اما آشنایی ابتدایی با برنامه نویسی پایتون الزامی است.

در عصر اینترنت اشیا (IoT)، تعداد بسیار زیادی از دستگاه‌های سنجش، داده‌های حسی مختلفی را برای طیف وسیعی از برنامه‌ها در طول زمان جمع آوری و تولید می‌کنند. این داده‌ها عمدتا از جریان‌های بزرگ، سریع و بلادرنگ مبتنی بر برنامه‌ها تشکیل شده اند. استفاده از تجزیه و تحلیل در رابطه با چنین داده‌های بزرگی یا جریان‌های داده برای یادگیری اطلاعات جدید، پیش بینی آینده نگرانه و تصمیم گیری آگاهانه بسیار مهم است و IoT را به الگویی شایسته برای مشاغل و فناوری‌های بهبود دهنده کیفیت زندگی تبدیل می‌کند.

هوش مصنوعی به سرعت در حال رشد است که ناشی از پیشرفت در شبکه‌های عصبی (NN) و یادگیری عمیق (DL) است. با افزایش سرمایه گذاری در شهرهای هوشمند، مراقبت‌های بهداشتی هوشمند و اینترنت اشیا (IoT) صنعتی، تجاری سازی اینترنت اشیا به زودی در اوج خواهد بود که در آن مقادیر زیادی از داده‌های تولید شده توسط دستگاه‌های اینترنت اشیا نیاز به پردازش در مقیاس بزرگ دارند.

این کتاب برای تسهیل کردن تجزیه و تحلیل و یادگیری در برنامه‌های مختلف اینترنت اشیا، مروری کامل از یک کلاس از تکنیک‌های پیشرفته یادگیری ماشین به نام یادگیری عمیق (DL) را برای شما فراهم می‌کند. کتاب «یادگیری عمیق عملی برای اینترنت اشیا»، دید عمیق‌تری را در مورد داده‌های اینترنت اشیا فراهم می‌کند، که با معرفی چگونگی متناسب سازی DL در زمینه هوشمند سازی برنامه‌های اینترنت اشیا، آغاز می‌شود. سپس چگونگی ساخت معماری‌های عمیق با استفاده از TensorFlow، Keras و Chainer برای IoT را پوشش می‌دهد.

شما خواهید آموخت که چگونه شبکه‌های عصبی کانولشنال (CNN) را برای توسعه برنامه هایی برای تشخیص مبتنی بر تصویر دست انداز‌های جاده ای و تفکیک هوشمند زباله‌ها آموزش دهید و به دنبال آن کنترل نور هوشمند صوتی و مکانیسم‌های دسترسی به منزل را با استفاده از شبکه‌های عصبی بازگشتی (RNN) آغاز کنید. شما با استفاده از خود رمز گذار ها، DeepFi و شبکه‌های LSTM به برنامه‌های اینترنت اشیا برای محلی سازی داخلی، نگهداری قابل پیشبینی و مکان یابی تجهیزات در یک بیمارستان بزرگ تسلط خواهید یافت. علاوه بر این، با امنیت تقویت شده اینترنت اشیا، توسعه برنامه اینترنت اشیا را برای مراقبت‌های بهداشتی یاد خواهید گرفت.

یادگیری ماشین می‌تواند جادویی به نظر برسد. چگونه یک کامپیوتر می‌تواند اشیا موجود در یک تصویر را تشخیص دهد؟ چگونه اتومبیل می‌تواند خودش رانندگی کند؟ این شاهکار‌ها گیج کننده هستند؛ نه تنها برای عموم مردم، بلکه برای بسیاری از توسعه دهندگان نرم افزار مانند من و شما. حتی پس از سال‌ها کد نویسی، من نمی‌دانستم که چگونه یادگیری ماشین کار می‌کند. در حالی که من با جدیدترین چارچوب وب سر و کله می‌زدم، کسی آن بیرون در حال نوشتن نرم افزاری شگفت انگیز بود که به نظر می‌رسید علمی تخیلی است؛ و من حتی نمی‌توانستم آن را درک کنم. من می‌خواستم که وارد عمل بشوم. من می‌خواستم که خودم بتوانم آن چیزها را بسازم.

کتاب «برنامه نویسی یادگیری ماشین» برای توسعه دهندگانی است که می‌خواهند یادگیری ماشین را از ابتدا یاد بگیرند. یادگیری ماشین، حوزه‌ی گسترده ای است و هیچ کتابی نمی‌تواند همه آن را پوشش دهد. ما بر روی سه جنبه از یادگیری ماشین که امروزه مهمتر هستند تمرکز خواهیم کرد: یادگیری تحت نظارت، شبکه‌های عصبی و یادگیری عمیق.

یادگیری تحت نظارت، نوع خاصی از یادگیری ماشین است. یادگیری ماشین چند طعم مختلف دارد، اما یادگیری تحت نظارت امروزه محبوب‌ترین است. بخش اول این کتاب، از صفر تا تشخیص تصویر، یک آموزش عملی یادگیری تحت نظارت است. در طی چند فصل، ما حداقل یک برنامه یادگیری خواهیم نوشت. سپس این برنامه را گام به گام تکمیل خواهیم کرد، و به تدریج آن را به یک سیستم یادگیری ماشین به نام پرسپترون تبدیل خواهیم کرد. پرسپترون ما یک برنامه بینایی ماشین واقعی خواهد بود که به اندازه کافی برای شناسایی کاراکتر‌های دست خط قدرتمند است.

روشهای زیادی برای پیاده سازی سیستم یادگیری تحت نظارت وجود دارد. مشهورترین آنها شبکه عصبی است؛ الگوریتمی برجسته که به راحتی از اتصالات نورون‌ها در مغز ما الهام گرفته شده است. بخش دوم این کتاب به شبکه‌های عصبی اختصاص دارد. ما برنامه نوشته شده در بخش اول را به یک شبکه عصبی تمام عیار تبدیل خواهیم کرد. در طی این مسیر ما باید بر چندین چالش غلبه کنیم، اما نتیجه نهایی ارزش آن را خواهد داشت: شبکه عصبی نهایی بسیار قدرتمندتر از برنامه نوپایی است که ما با آن شروع می‌کنیم. یک بار دیگر تاکید می‌کنم که کد‌ها را خط به خط خودمان می‌نویسیم و ساز و کار داخلی آن برای این که شما با آن‌ها کار کنید باز خواهد بود.

شبکه‌های عصبی در سال‌های اخیر، از هنگامی که محققان برای طراحی و استفاده از آنها به تکنیک‌های موفقیت آمیزی دست یافتند، از پیشرفت چشمگیری برخوردار شدند. این فناوری پیشرفته بسیار قدرتمندتر از شبکه‌های عصبی ساده قدیمی است؛ به حدی که نامی به خود اختصاص داد: یادگیری عمیق. این عنوان بخش سوم این کتاب است. در این بخش، ما با استفاده از یک کتابخانه یادگیری ماشین مدرن، شبکه عصبی خود را خواهیم نوشت. سرانجام، هنگام جمع بندی کتاب، نگاهی خواهیم انداخت به چند تکنیک پیشرفته یادگیری عمیق، که راه را برای کاوش‌های آینده شما هموار می‌کند.

شبکه‌های عصبی در مرکز پیشرفت‌های اخیر هوش مصنوعی قرار دارد و برخی از بهترین راهکار‌ها را برای بسیاری از مسائل واقعی از جمله تشخیص تصویر، تشخیص پزشکی، تجزیه و تحلیل متون و موارد دیگر، ارائه می‌دهد. این کتاب به بررسی دقیق مفاهیم اساسی شبکه‌های عصبی و یادگیری عمیق و همچنین تعدادی از کتابخانه‌های محبوب پایتون برای پیاده سازی آن‌ها می‌پردازد.

کتاب Neural Network Projects with Python شامل مثال‌های عملی از شبکه‌های عصبی در حوزه هایی همچون پیشبینی کرایه، طبقه بندی تصاویر، تجزیه و تحلیل احساسات و دیگر موارد است. برای هر مثالی، این کتاب مساله را بیان می‌کند، معماری شبکه عصبی به خصوص مورد نیاز برای حل آن مساله، استدلال پشت الگوریتم مورد استفاده و کد پایتون مرتبط با پیاده سازی از ابتدا راه حل را ارائه می‌دهد. در این روند، شما با استفاده از کتابخانه‌های محبوب پایتون مانند Keras، می‌توانید تجربه‌های عملی از ساخت و آموزش شبکه‌های عصبی خودتان از صفر را به دست آورید.

در پایان این کتاب، شما بر معماری‌های مختلف شبکه‌های عصبی تسلط خواهید یافت و پروژه‌های مهم هوش مصنوعی را در پایتون ایجاد کرده اید که نمونه کار‌های یادگیری ماشین شما را تقویت می‌کنند. این کتاب برای دانشمندان داده، مهندسین یادگیری ماشین و علاقه مندان به یادگیری عمیق که مایل به ایجاد پروژه‌های شبکه عصبی عملی در پایتون هستند، یک منبع عالی است. خوانندگان این کتاب باید از دانش اساسی در مورد یادگیری ماشین و شبکه‌های عصبی برخوردار باشند.

شبکه‌های عصبی در چند سال گذشته بازگشتی غافلگیرکننده داشته اند و نوآوری‌های فوق العاده ای را در دنیای هوش مصنوعی به ارمغان آورده اند. هدف کتاب برنامه نویسی شبکه‌های عصبی با سی شارپ، ارائه راهنمایی‌های عملی به برنامه نویسان #C در حل چالش‌های پیچیده محاسباتی با استفاده از شبکه‌های عصبی و کتابخانه‌های سی شارپ مثل CNTK و TensorFlowSharp است. این کتاب همه چیز از جنبه‌های ریاضی و تئوری شبکه‌های عصبی گرفته تا ساخت شبکه‌های عصبی عمیق در برنامه‌های خودتان با #C و دات نت فریمورک را پوشش داده است.

در این کتاب شما نحوه ساخت یک شبکه عصبی را از ابتدا با استفاده از پکیج هایی مثل Encog، Aforge و Accord یاد می‌گیرید. شما درباره‌ی تکنیک‌ها و مفاهیم مختلفی مثل شبکه‌های عمیق، پرسپترون ها، الگوریتم‌های بهینه سازی و شبکه‌های کانولوشن و انکودر‌های خودکار یاد خواهید گرفت. شما روش‌های اضافه کردن امکانات هوشمند به برنامه‌های دات نت خودتان مثل تشخیص چهره و حرکت، شناسایی و تشخیص اشیا، درک زبان، دانش و جست وجوی هوشمند را خواهید آموخت. در طول این کتاب، شما روی چیزهای جالبی کار خواهید کرد که پیاده سازی شبکه‌های عصبی پیچیده در برنامه‌های سازمانی شما را آسان‌تر می‌کنند.

در کتاب Hands-On Neural Networks، شبکه‌های عصبی به همراه یادگیری عمیق و اصول هوش مصنوعی را با استفاده از OpenAI Gym، TensorFlow و Keras طراحی و ایجاد کنید.

شبکه‌های عصبی نقش خیلی مهمی در یادگیری عمیق و هوش مصنوعی (AI) بازی می‌کنند و کاربرد‌های زیادی در حوزه‌های مختلفی دارند از پزشکی گرفته تا پیشبینی مالی و حتی عیب یابی ماشین.

کتاب آموزشی شبکه‌های عصبی، برای همه علاقه مندان به شبکه‌های عصبی، هوش مصنوعی و یادگیری عمیق مفید خواهد بود.

در کتاب بررسی شبکه‌های عصبی با #C، اهمیت خصوصیات شبکه‌های عصبی بررسی شده است در حالی که ریاضیات پیچیده را به حداقل رسانده است. در این کتاب چگونگی ساخت و استفاده از شبکه‌های عصبی توضیح داده شده است و اطلاعات پیچیده ای درباره‌ی ساختار شبکه‌های عصبی، عملکرد و یادگیریشان به گونه ای که فهمشان ساده باشد، بیان شده است.