🤖 از اولین خط Python تا ساخت و استقرار پروژه‌های AI

🚀 این کتاب با پروژه‌های عملی کمک میکنه مسیر یادگیری را از اولین کدهای Python شروع کنی و به ساخت برنامه‌های آماده ارائه در Portfolio برسی. در طول این مسیر با Data Analysis، Machine Learning، NLP، Neural Network، Sentiment Analysis و استقرار مدل به‌صورت Web Service کار میکنی.

✨ ویژگی‌های کلیدی

🛠️ پروژه‌های کاربردی AI را با Python، Data Analysis، Machine Learning، NLP و Web Deployment میسازی و برای ارائه در Portfolio آماده میکنی.

📊 با ابزارهای pandas، NumPy، Matplotlib، Seaborn و scikit-learn روی Datasetهای واقعی کار میکنی.

🌱 مسیر آموزش از صفر برنامه‌نویسی شروع میشه و با پروژه‌های هدایت‌شده و عملی به Workflowهای واقعی AI میرسه.

🧠 مفاهیم Neural Network به‌صورت مناسب برای افراد مبتدی توضیح داده میشن و ارتباط میان Layerها، Training و Performance بررسی میشه.

🌐 در پایان، یک مدل آموزش‌دیده را از محیط Notebook خارج میکنی و به‌صورت Web Service در اختیار کاربران قرار میدی.

📘 توضیح کتاب

💡 خیلی از افراد مبتدی Syntax زبان Python یا مباحث نظری AI را یاد میگیرن، اما هنگام ساخت پروژه‌ای که بشه آن را توضیح داد، نمایش داد و به Portfolio اضافه کرد، با مشکل روبه‌رو میشن. این کتاب با تبدیل مبانی AI به پروژه‌های عملی Python، فاصله میان یادگیری نظری و ساخت محصول قابل‌اجرا را پوشش میده.

🐍 مسیر آموزش با راه‌اندازی Python و مبانی موردنیاز برای AI Development آغاز میشه. در این مرحله با Variableها، Data Typeها، Functionها، Control Flow و Libraryها آشنا میشی و پایه لازم برای ادامه پروژه‌ها را به دست میاری.

🗃️ سپس با استفاده از NumPy و pandas یاد میگیری Datasetها را بارگذاری، پاک‌سازی، تبدیل و بررسی کنی. بعد از آن، Exploratory Data Analysis یا EDA را با Matplotlib و Seaborn انجام میدی تا Patternها، ارتباط میان داده‌ها و Missing Valueها را پیدا کنی.

⚙️ با آماده‌شدن این پایه‌ها، مدل‌های Machine Learning را با scikit-learn میسازی. کتاب Workflowهای Prediction و Classification را پوشش میده و نحوه آماده‌سازی Featureها، آموزش مدل‌ها و ارزیابی نتایج را مرحله‌به‌مرحله توضیح میده. همچنین درک میکنی انتخاب‌های مختلف چطور روی Accuracy و کاربرد مدل اثر میذارن.

🧠 مبانی Neural Networkها با رویکردی مناسب برای افراد مبتدی معرفی میشن. در این بخش، ارتباط Layerها، فرایند Training و Performance مدل با کاربردهای عملی AI بررسی میشه.

💬 یکی از پروژه‌های کتاب به NLP و Sentiment Analysis اختصاص داره. در این پروژه یاد میگیری Text Data را به Feature تبدیل کنی و نظرها را براساس محتوای آن‌ها Classification کنی.

🌐 در مرحله پایانی، یک مدل آموزش‌دیده را بسته‌بندی میکنی و به Web Service تبدیل میکنی تا خارج از محیط Notebook هم قابل‌استفاده باشه.

🎯 بعد از مطالعه کتاب، مجموعه‌ای عملی از پروژه‌های AI برای Portfolio در اختیار داری و پایه مناسبی برای ادامه مسیر در Machine Learning، Data Science و Applied AI Development به دست میاری.

🎯 چیزهایی که یاد میگیری

🐍 یاد میگیری Python را برای پروژه‌های عملی AI و Machine Learning راه‌اندازی کنی.

🧩 با Syntax اصلی، Data Typeها، Control Flow، Functionها و Libraryهای موردنیاز برای AI آشنا میشی.

🗃️ میتونی داده‌ها را با NumPy و pandas پاک‌سازی، تبدیل، تحلیل و آماده کنی.

📊 یاد میگیری با Matplotlib و Seaborn داده‌ها را Visualization کنی و با EDA، Patternها، Missing Valueها، Relationshipها و Featureها را پیدا کنی.

⚙️ میتونی با Workflowهای scikit-learn مدل‌های Prediction و Classification بسازی و نتایج آن‌ها را ارزیابی کنی.

🧠 با مبانی Neural Networkها و مفاهیم عملی Deep Learning آشنا میشی.

💬 یاد میگیری با Text Data یک مدل NLP برای Sentiment Analysis بسازی.

🚀 میتونی یک مدل آموزش‌دیده AI را به‌صورت Web Service مستقر کنی.

👤 این کتاب برای چه کسانیه؟

🌱 این کتاب برای افراد کاملا مبتدی، دانشجویان، افرادی که قصد تغییر مسیر شغلی دارن، Junior Developerها، Analystها، علاقه‌مندان به داده و کسانی مناسبه که به‌عنوان سرگرمی وارد دنیای AI میشن و به یک نقطه شروع عملی نیاز دارن.

💼 مطالب کتاب برای افرادی هم کاربرد داره که میخوان اولین Portfolio هوش مصنوعی خود را بسازن، فرصت‌های شغلی Machine Learning یا Data Science را بررسی کنن یا یاد بگیرن مدل‌های آموزش‌دیده چطور به برنامه‌های ساده و قابل‌استفاده تبدیل میشن.

📌 برای شروع مطالعه، هیچ تجربه قبلی در برنامه‌نویسی یا AI لازم نیست.

📖 فهرست مطالب

فصل ۱. مبانی Python برای AI و Data Science

فصل ۲. مدل‌های Machine Learning و Classification

فصل ۳. Neural Networkها و Natural Language Processing

فصل ۴. استقرار مدل AI به‌صورت Web Service

فصل ۵. پروژه‌های عملی AI با Python

فصل ۶. سند اطلاعات محصول

👤 درباره نویسنده

🧠 ویویان آرانها مدرس AI، مدیر فناوری و بنیان‌گذار School of AI است و بیش از بیست سال تجربه در صنعت داره. او مدرک Bachelor خود را در رشته Information Technology در سال ۲۰۰۴ و مدرک Master را در رشته Computer Science در سال ۲۰۰۶ دریافت کرده است.

💻 سابقه حرفه‌ای او حوزه‌های Web Technology، توسعه Mobile App برای iOS و Android، راهکارهای Blockchain و سیستم‌ها و برنامه‌های AI را پوشش میده.

🏢 ویویان آرانها با سازمان‌های Fortune 500 از جمله The Washington Post، Delta Air Lines و IBM همکاری کرده است.

🎓 او از سال ۲۰۰۹ به‌عنوان مدرس فعالیت میکنه، متخصصان را در سراسر جهان آموزش داده و اکنون AI را در سطح بین‌المللی تدریس میکنه.

🌐 دوره‌های او بیش از ۲.۵ میلیون ثبت‌نام داشته‌اند و بیشتر از ۵۰۰ هزار دانشجو از طریق School of AI، Udemy، Skool و Maven در آموزش‌هایش شرکت کرده‌اند.

Build real-world AI projects with Python, pandas, NumPy, Matplotlib, Seaborn, scikit-learn, NLP, neural networks, sentiment analysis, and web deployment as you move from first code to portfolio-ready AI apps and skills.

Key Features

• Build portfolio-ready AI projects with Python, data analysis, ML, NLP, and deployment
• Use pandas, NumPy, Matplotlib, Seaborn, scikit-learn, and neural networks on real datasets
• Move from zero programming to practical AI workflows through guided, hands-on projects

Book Description

Many beginners learn Python syntax or AI theory but struggle to build projects they can explain, demonstrate, and add to a portfolio. This book closes that gap by turning AI fundamentals into practical Python projects that move from first code to working AI deployment.

You will begin with Python setup and the foundations needed for AI development, including variables, data types, functions, control flow, and libraries. You will then use NumPy and pandas to load, clean, transform, and inspect datasets, before applying EDA with Matplotlib and Seaborn to uncover patterns, relationships, and missing values. With these foundations in place, you will build machine learning models using scikit-learn. You will work through prediction and classification workflows, prepare features, train models, evaluate results, and understand how choices affect accuracy and usefulness. The book introduces neural networks in a beginner-friendly way, showing how layers, training, and performance connect in applied AI work.

You will create an NLP sentiment analysis project, turning text into features and classifying opinions. Finally, you will package a trained model as a web service used beyond a notebook. By the end, you will have a practical AI portfolio and a strong foundation for machine learning, data science, and applied AI development.

What you will learn

• Set up Python for hands-on AI and machine learning projects
• Use core syntax, data types, control flow, functions, and libraries for AI work
• Clean, transform, analyze, and visualize data with NumPy, pandas, Matplotlib, and Seaborn
• Apply EDA to find patterns, missing values, relationships, and features
• Build prediction and classification models using scikit-learn workflows
• Understand neural network basics and practical deep learning concepts
• Create an NLP sentiment analysis model from text data
• Deploy a trained AI model as a web service

Who this book is for

This book is for absolute beginners, students, career changers, junior developers, analysts, data enthusiasts, and hobbyists who want a practical entry point into AI development. It is useful for readers building their first AI portfolio, exploring machine learning or data science roles, or learning how trained models become simple applications. No prior programming or AI experience is required.

Table of Contents

1. Python for AI and Data Science Foundations
2. Machine Learning and Classification Models
3. Neural Networks and Natural Language Processing
4. Deploying AI Model as a Web Service
5. Hands-On AI Projects in Python
6. Product Information Document

About the Author

Vivian Aranha is an AI educator, technology leader, and founder of School of AI, with over 20 years of industry experience. He earned a Bachelor's degree in Information Technology in 2004 and a Master's degree in Computer Science in 2006. His career spans web technologies, mobile app development for iOS and Android, blockchain solutions, and AI systems and applications.

Vivian has worked with Fortune 500 organizations, including The Washington Post, Delta Air Lines, and IBM. An instructor since 2009, he has trained professionals worldwide and now teaches AI globally. His courses have attracted over 2.5 million enrollments, with more than 500,000 students learning through School of AI, Udemy, Skool, and Maven.