🐘 یادگیری عمیق با Python؛ از بینایی ماشین تا چت‌بات

🤖 این کتاب با استفاده از چارچوب‌هایی مثل TensorFlow و Keras، کاربردهای یادگیری عمیق در بینایی ماشین، تشخیص گفتار و چت‌بات‌ها رو بررسی میکنه. مسیر آموزشی روی حوزه‌ها، مدل‌ها و الگوریتم‌های موردنیاز تمرکز داره تا در مدت کوتاهی دانش عملی لازم برای ساخت برنامه‌های یادگیری عمیق رو به دست بیاری.

✨ ویژگی‌های کلیدی

🧠 با چارچوب‌های یادگیری عمیق مثل TensorFlow، Keras و scikit-learn کار میکنی.

👁️ قابلیت‌های تشخیص چهره و شناسایی چهره رو به کار میگیری.

🎙️ امکانات تبدیل گفتار به متن و متن به گفتار میسازی.

💬 با استفاده از یادگیری عمیق، چت‌بات طراحی میکنی.

⚙️ با CNN، RNN، LSTM و Multilayer Perceptron آشنا میشی و کاربردشون رو در برنامه‌های یادگیری عمیق بررسی میکنی.

📘 توضیح کتاب

📚 کتاب Deep Learning with Applications Using Python مفاهیم، تکنیک‌ها و پیاده‌سازی الگوریتم‌هایی رو پوشش میده که برای ساخت برنامه‌های یادگیری عمیق لازمن. هدف اینه که در مدت کوتاهی با دانش عملی موردنیاز برای ورود به این حوزه آشنا بشی.

🧩 در بخش مدل‌ها، شبکه‌های عصبی کانولوشنی (CNN)، شبکه‌های عصبی بازگشتی (RNN) و Multilayer Perceptron بررسی میشن. مباحث کتاب از مبانی TensorFlow و کار با Keras شروع میشن و به کاربرد این مدل‌ها میرسن.

🗣️ کتاب سراغ پردازش زبان طبیعی و کاربردهای گفتاری هم میره؛ از جمله تبدیل گفتار به متن و متن به گفتار و توسعه چت‌بات‌ها. تشخیص و شناسایی چهره و تشخیص اشیا هم از دیگر کاربردهای یادگیری عمیق در این کتاب هستن.

🔧 در کنار چارچوب‌های یادگیری عمیق، با APIهای پرکاربردی مثل IBM Watson و Microsoft Azure و ابزار scikit-learn هم آشنا میشی.

🎯 با مطالعه کتاب، میتونی مدل‌ها و الگوریتم‌های یادگیری عمیق رو برای ساخت برنامه‌هایی در حوزه‌هایی مثل بینایی ماشین، پردازش زبان طبیعی، تشخیص چهره، گفتار و چت‌بات به کار بگیری.

🎯 چیزهایی که یاد میگیری

🧠 با چارچوب‌های TensorFlow، Keras و scikit-learn کار میکنی.

👁️ قابلیت‌های تشخیص و شناسایی چهره رو به کار میگیری.

🎙️ تبدیل گفتار به متن و متن به گفتار رو در برنامه‌ها پیاده‌سازی میکنی.

💬 چت‌بات‌هایی مبتنی بر یادگیری عمیق توسعه میدی.

🧩 با CNN، RNN، LSTM و Multilayer Perceptron آشنا میشی.

🗣️ کاربردهای یادگیری عمیق در پردازش زبان طبیعی، تشخیص گفتار و تشخیص چهره و اشیا رو بررسی میکنی.

🔌 APIهای IBM Watson و Microsoft Azure رو در کنار ابزارهای یادگیری ماشین میشناسی.

👤 این کتاب برای چه کسانیه؟

📊 کتاب برای دانشمندان داده و توسعه‌دهندگانی مناسبه که میخوان برنامه‌های یادگیری عمیق بسازن یا مهارت‌های فعلی‌شون رو با کاربردهای این حوزه هماهنگ کنن.

🛠️ اگر به ساخت برنامه‌هایی در زمینه بینایی ماشین، تشخیص گفتار، پردازش زبان طبیعی، تشخیص چهره و چت‌بات علاقه داری، مباحث و مثال‌های کتاب به کارت میاد. متن منبع پیش‌نیاز مشخصی ذکر نمیکنه.

📖 فهرست مطالب

فصل ۱. مبانی TensorFlow

فصل ۲. شناخت Keras و کار با آن

فصل ۳. Multilayer Perceptron

فصل ۴. از Regression تا MLP در TensorFlow

فصل ۵. از Regression تا MLP در Keras

فصل ۶. شبکه‌های عصبی کانولوشنی

فصل ۷. CNN در TensorFlow

فصل ۸. CNN در Keras

فصل ۹. RNN و LSTM

فصل ۱۰. تبدیل گفتار به متن و برعکس

فصل ۱۱. توسعه چت‌بات‌ها

فصل ۱۲. تشخیص و شناسایی چهره

👤 درباره نویسنده

🤖 ناوین کی. ماناسوی سال‌هاست با استفاده از فناوری‌ها و دانش‌های پیشرفته مرتبط با هوش مصنوعی، راهکارها و محصولات AI توسعه میده. او در شرکت‌های مشاوره‌ای در مالزی و سنگاپور و همچنین پروژه Dubai Smart City کار کرده و در این مسیر مهارت ویژه‌ای در ارائه راهکارهای سرتاسری علم داده به دست آورده.

🛠️ او در شرکت خودش راهکارهایی برای هوشمندی ویدئو، هوشمندی اسناد و چت‌بات‌های شبیه به انسان توسعه داده است.

Explore deep learning applications, such as computer vision, speech recognition, and chatbots, using frameworks such as TensorFlow and Keras. This book helps you to ramp up your practical know-how in a short period of time and focuses you on the domain, models, and algorithms required for deep learning applications. Deep Learning with Applications Using Python covers topics such as chatbots, natural language processing, and face and object recognition. The goal is to equip you with the concepts, techniques, and algorithm implementations needed to create programs capable of performing deep learning.

This book covers convolutional neural networks, recurrent neural networks, and multilayer perceptrons. It also discusses popular APIs such as IBM Watson, Microsoft Azure, and scikit-learn.

What You Will Learn

• Work with various deep learning frameworks such as TensorFlow, Keras, and scikit-learn.
• Use face recognition and face detection capabilities
• Create speech-to-text and text-to-speech functionality
• Engage with chatbots using deep learning

Who This Book Is For

Data scientists and developers who want to adapt and build deep learning applications.

Table of Contents

Chapter 1: Basics of TensorFlow

Chapter 2: Understanding and Working with Keras

Chapter 3: Multilayer Perceptron

Chapter 4: Regression to MLP in TensorFlow

Chapter 5: Regression to MLP in Keras

Chapter 6: Convolutional Neural Networks

Chapter 7: CNN in TensorFlow

Chapter 8: CNN in Keras

Chapter 9: RNN and LSTM

Chapter 10: Speech to Text and Vice Versa

Chapter 11: Developing Chatbots

Chapter 12: Face Detection and Recognition

About the Author

Navin K Manaswi has been developing AI solutions/products with the use of cutting edge technologies and sciences related to artificial intelligence for many years. Having worked for consulting companies in Malaysia, Singapore and the Dubai Smart City project, he has developed a rare skill of delivering end-to-end data science solutions. He has been building solutions for video intelligence, document intelligence and human-like chatbots in his own company.