ظهور حوزه شبکه‌های زایای دشمنگونه (GANs)، تولید تصاویر غیر قابل تشخیص از مجموعه داده‌های موجود را امکان پذیر کرده است. با استفاده از این کتاب عملی، شما نه تنها مهارت‌های تولید تصویر را پرورش خواهید داد، بلکه درک درستی از اصول اساسی نیز پیدا می‌کنید.
کتاب Hands-On Image Generation with TensorFlow (راهنمای عملی تولید تصویر با تنسورفلو)، با مقدمه ای بر مبانی تولید تصویر با استفاده از TensorFlow شروع می‌شود و Variational Autoencoders (VAEs) و GANs را شامل می‌شود. با انجام تعویض چهره با استفاده از deepfakes، انتقال سبک عصبی، ترجمه تصویر به تصویر، تبدیل تصاویر ساده به عکس‌های واقع گرایانه و موارد دیگر، به چگونگی ساخت مدل برای کاربرد‌های مختلفی پی خواهید برد. شما همچنین می‌فهمید که چرا و چگونه می‌توان پیشرفته‌ترین شبکه‌های عصبی عمیق را با استفاده از تکنیک‌های پیشرفته مانند نرمال سازی طیفی و لایه توجه به خود، قبل از کار با مدل‌های پیشرفته برای تولید و ویرایش چهره ساخت. همچنین با بازسازی عکس، سنتز متن به تصویر، هدفگذاری مجدد ویدئو و رندر عصبی نیز آشنا خواهید شد. در طول کتاب، شما می‌آموزید که مدل‌ها را از ابتدا در TensorFlow 2.x پیاده سازی کنید، از جمله PixelCNN، VAE، DCGAN، WGAN، pix2pix، CycleGAN، StyleGAN، GauGAN و BigGAN.
با به پایان رساندن این کتاب، شما در TensorFlow به خوبی تبحر پیدا خواهید کرد و می‌توانید فناوری‌های تولید تصویر را با اطمینان پیاده سازی کنید. کتاب Hands-On Image Generation with TensorFlow برای مهندسان، شاغلان و محققان یادگیری عمیق است که دانش اولیه ای در مورد شبکه‌های عصبی کانولوشن دارند و می‌خواهند تکنیک‌های مختلف تولید تصویر را با استفاده از TensorFlow 2.x بیاموزند. همچنین اگر یک متخصص پردازش تصویر یا مهندس بینایی ماشین هستید که به دنبال کاوش در معماری‌های پیشرفته برای بهبود و ارتقا تصاویر و فیلم‌ها هستید، این کتاب را مفید خواهید یافت. دانش Python و TensorFlow به شما کمک می‌کند تا بهترین نتیجه را از خواندن این کتاب بگیرید.

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.

هوش مصنوعی (AI) حوزه ای بزرگ است و این نیز یک کتاب بزرگ است. ما سعی کرده ایم تا وسعت کامل این رشته را که شامل منطق، احتمالات و ریاضیات پیوسته، ادراک، استدلال، یادگیری و عمل، انصاف، اعتماد، خیر اجتماعی و امنیت، و کاربرد هایی از دستگاه‌های میکرو الکترونیک و کاوشگران سیاره ای رباتیک گرفته تا خدمات آنلاین به میلیاردها کاربر را بررسی کنیم.

عنوان فرعی این کتاب «رویکردی مدرن» است. این بدان معنی است که ما داستان را از منظر فعلی تعریف کرده ایم. ما آنچه که اکنون شناخته شده را در یک چارچوب مشترک ترکیب می‌کنیم و کارهای اولیه را با استفاده از ایده‌ها و اصطلاحاتی که امروزه رایج است باز آفرینی می‌کنیم. ما از کسانی که زیرشاخه هایشان کمتر قابل تشخیص است عذرخواهی می‌کنیم.

کتاب Artificial Intelligence: A Modern Approach, 4th Edition، جامع‌ترین و به روزترین مقدمه در مورد تئوری و کاربرد هوش مصنوعی است. ویرایش چهارم کتاب «هوش مصنوعی: یک رویکرد مدرن» به بررسی گستردگی و عمق حوزه هوش مصنوعی (AI) می‌پردازد. این ویرایش، خوانندگان را به جدید‌ترین فن آوری‌ها به روز می‌کند، مفاهیم را به روشی واحد‌تر ارائه می‌دهد و پوشش جدید و گسترده ای از یادگیری ماشین، یادگیری عمیق، انتقال یادگیری، سیستم‌های چند عاملی، رباتیک، پردازش زبان طبیعی، علیت، برنامه نویسی احتمالی، حریم خصوصی، انصاف و هوش مصنوعی امن ارائه می‌دهد.

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 ویرایش سوم کتاب  Mastering Open CV 4، مشکلات دنیای واقعی بینایی ماشین را به وسیله‌ی کدهای واقعی OpenCV حل می‌کنید. در این کتاب رویکرد‌های الگوریتمیک برای حل مسائل پیچیده بینایی ماشین را بررسی میکنید. همچنین در این کتاب از آخرین نسخه‌ی API‌های به روز شده‌ی (OpenCV (V 4.0.0 برای پروژه‌ها استفاده شده است.

این کتاب برای آن دسته از برنامه نویسانی است که دانش پایه ای از OpenCV دارند و مهارت خوبی در برنامه نویسی سی پلاس پلاس دارند. همچنین نیاز است که فهمی از مفاهیم نظری ریاضی داشته باشید، چرا که در این کتاب ما به سرعت از آن‌ها رد می‌شویم.

یادگیری ماشین را به کمک مجموعه ای از کتابخانه‌های پایتون فرا بگیرید و سیستم‌های یادگیری خودتان را بر مبنای پایتون بنویسید

دربرگیرنده‌ی طبقه بندی،رگراسیون، مهندسی ویژگی‌ها و بسیاری مثال عملی دیگر
آموزش هایی مبتنی بر سناریو تا آموزنده‌ی ماشین، درک درستی پیدا کرده و با موفقیت آن را پیاده سازی کند.

این کتاب برای برنامه نویسان پایتون میباشد که قصد یادگیری و فعالیت در زمینه‌ی یادگیری ماشین دارند.از خواننده‌ها انتظار میرود تا نحوه‌ی نصب پایتون و اجرای کتابخانه‌های متن باز را داشته باشند و انتظار بلد بودن یادگیری ماشین از آن‌ها نمیرود، با اینحال این کتاب میتواند برای آشنایی با کتابخانه‌های پایتون برای کسانی که یادگیری ماشین بلد هستند نیز استفاده شود. در این کتاب بر جزییات ریاضی پس زمینه‌ی الگوریتم‌ها بحث نمیشود.