📘 این ویرایش دوم، از مفاهیم پایه‌ای NLP تا مدل‌های زبانی بزرگ، RAG و سیستم‌های Agentic رو پوشش میده و بهت یاد میده چطور راهکارهای AI آماده Production رو با پایتون طراحی و Fine-Tune کنی.

🔥 ویژگی‌های کلیدی

1. مهندسی سیستم‌های NLP از پایه‌های Machine Learning تا معماری‌های LLM
2. پیاده‌سازی Pipelineهای RAG، لایه‌های Routing و Workflowهای Agent
3. Fine-Tune و Alignment مدل‌های زبانی با روش‌های LoRA، RLHF و DPO
4. طراحی سیستم‌های AI در سطح Production همراه با Governance و Safety

📖 توضیحات کتاب

🧠 پردازش زبان طبیعی (Natural Language Processing) دیگه محدود به سیستم‌های Rule-Based و روش‌های کلاسیک Machine Learning نیست. این ویرایش دوم، مسیر این تحول رو از پایه‌های ریاضی و ML تا مدل‌های زبانی بزرگ، Pipelineهای Retrieval، اتوماسیون Agentic و طراحی سیستم‌های AI-Native به‌صورت کامل پوشش میده. کتاب در کنار تقویت مفاهیم بنیادی NLP، وارد معماری‌های مدرن مثل Transformerها، روش‌های Fine-Tuning بهینه مثل LoRA و QLoRA، و تکنیک‌های Alignment مثل RLHF و DPO میشه.

🧮 ابتدا با مفاهیم پایه‌ای مثل جبر خطی، احتمال و اصول Machine Learning شروع میکنی و بعد وارد Preprocessing متن، Feature Engineering، Pipelineهای Classification و معماری‌های Deep Learning میشی. بعد از اون تمرکز کتاب روی طراحی سیستم قرار میگیره: ساخت Pipelineهای Retrieval-Augmented Generation (RAG)، پیاده‌سازی استراتژی‌های Routing برای متعادل‌سازی هزینه و Performance، و Orchestration Workflowهای چند-Agent ساختاریافته.

⚙️ همچنین الگوهای Interoperability ساختاریافته مثل Model Context Protocol (MCP) هم معرفی میشن. بخش Governance و Safety هم به‌عنوان بخشی از معماری سیستم بررسی میشه و نشون میده چطور میشه Policy و Compliance رو مستقیماً داخل سیستم‌های AI ادغام کرد.

🚀 در پایان کتاب، نه‌تنها ابزارهای لازم برای پیاده‌سازی تکنیک‌های NLP رو در اختیار داری، بلکه میتونی سیستم‌های هوشمند مبتنی بر AI رو طراحی، مدیریت و Deploy کنی.

🎯 چیزهایی که یاد میگیری

1. ساخت پایه‌های قوی NLP در ریاضیات و Machine Learning
2. مهندسی Pipelineهای NLP و Text Classification
3. آموزش و Fine-Tune معماری‌های مدرن LLM
4. پیاده‌سازی سیستم‌های RAG با LangChain
5. Orchestrate کردن چندین Agent و Tool برای حل Taskهای پیچیده
6. ارزیابی Performance مدل‌های NLP و پیاده‌سازی Best Practiceهای AI Safety
7. اتصال داده‌ها و ابزارهای خارجی با استفاده از Model Context Protocol (MCP)
8. Fine-Tune مدل‌های Transformer با تکنیک‌های LoRA، QLoRA و DPO

👨‍💻 این کتاب برای چه کسانی مناسبه

🧩 این کتاب برای مهندس‌های Machine Learning، Data Scientistها و متخصص‌های NLP طراحی شده که میخوان تخصص خودشون رو عمیق‌تر کنن و راهکارهای پیشرفته AI بسازن.

🔬 همچنین برای پژوهشگرها و متخصص‌هایی که قصد دارن جدیدترین تکنیک‌های NLP و LLM رو در پروژه‌های واقعی استفاده کنن هم بسیار کاربردیه.

💻 برنامه‌نویس‌هایی که تازه وارد حوزه AI میشن و علاقه‌مندهای تکنولوژی که میخوان با پیشرفت‌های مدرن NLP آشنا بشن هم از این کتاب ارزش زیادی میگیرن.

📚 آشنایی مناسب با پایتون و مفاهیم پایه‌ای Machine Learning برای مطالعه این کتاب لازمه.

📑 فهرست مطالب

1. مقدمه‌ای بر دنیای NLP
2. پایه‌های ریاضی Machine Learning در NLP
3. آزادسازی توان Machine Learning در NLP
4. بهینه‌سازی تکنیک‌های Text Preprocessing برای NLP
5. Text Classification با استفاده از روش‌های سنتی ML
6. Text Classification بخش دوم — استفاده از مدل‌های زبانی Deep Learning
7. رمزگشایی تئوری، طراحی و پیاده‌سازی LLMها
8. Fine-Tuning بهینه و Reasoning در LLMها
9. راه‌اندازی و Integration پیشرفته با RAG و MCP
10. تکنیک‌های پیشرفته LLM با استفاده از RAG و LangChain
11. راهکارهای Multi-Agent و Frameworkهای پیشرفته Agent
12. Guardrailهای فنی AI Safety و پیاده‌سازی مسئولانه
13. طراحی و مدیریت محصولات AI-Native

🗣 نقد و بررسی

💬 «کتاب از ریاضیات واقعی شروع میکنه و تا Deploy کردن Agentهای مبتنی بر LLM و اتصال مدل‌ها به ابزارهای خارجی پیش میره. من قدم‌به‌قدم همراهش جلو رفتم و تونستم توی پروژه‌های واقعی خودم همه‌چیز رو اجرا کنم.»

— سینا صادقیان، مهندس تحقیق و توسعه Robotics & Automation در Ford Motor Company

👨‍🏫 درباره نویسندگان

🧠 لیور گازیت یکی از متخصص‌های باتجربه حوزه Machine Learning هست که سابقه موفقی در ساخت و رهبری تیم‌هایی داره که رشد کسب‌وکار رو با AI جلو بردن. تخصص اصلی اون در حوزه Natural Language Processing هست و Pipelineها و محصولات نوآورانه متعددی در حوزه ML توسعه داده. او دارای مدرک کارشناسی ارشد بوده و مقالات مختلفی در ژورنال‌ها و کنفرانس‌های معتبر منتشر کرده است.

لیور به‌عنوان Senior Director گروه Machine Learning در حوزه مالی و همچنین Principal Machine Learning Advisor در یک Startup نوظهور فعالیت کرده و به‌عنوان یکی از چهره‌های قابل احترام صنعت شناخته میشه. او با اشتیاق زیادی تلاش میکنه از Machine Learning برای ایجاد تغییر و رشد مثبت در سازمان‌ها استفاده کنه.

🧬 میثم غفاری یک Senior Data Scientist با تخصص عمیق در Natural Language Processing و Deep Learning هست. او در حال حاضر در Memorial Sloan Kettering Cancer Center فعالیت میکنه و روی توسعه و بهبود مدل‌های ML و NLP برای مسائل حوزه سلامت تمرکز داره.

او بیش از ۹ سال تجربه در Machine Learning و بیش از ۴ سال تجربه تخصصی در NLP و Deep Learning داره. مدرک دکترای علوم کامپیوتر خودش رو از Florida State University دریافت کرده، کارشناسی ارشد هوش مصنوعی رو در Isfahan University of Technology گذرونده و مدرک کارشناسی علوم کامپیوتر خودش رو از Iran University of Science and Technology گرفته است.

او همچنین قبل از پیوستن به MSKCC، به‌عنوان پژوهشگر Postdoctoral در University of Wisconsin–Madison فعالیت داشته است.

This second edition spans NLP foundations to LLMs, RAG, & agentic systems, teaching you to design and fine-tune production-ready AI solutions in Python.

Key Features

• Engineer NLP systems from ML foundations to LLM architectures
• Implement RAG pipelines, routing layers, and agent workflows
• Fine-tune and align LLMs using LoRA, RLHF, and DPO methods
• Design production-grade AI systems with governance and safety

Book Description

Natural Language Processing has evolved beyond rule-based systems and classical machine learning (ML). This second edition guides you through that transformation from mathematical and ML foundations to large language models, retrieval pipelines, agentic automation, and AI-native system design. It strengthens core NLP concepts while expanding into modern architectures such as transformers, parameter-efficient fine-tuning (LoRA and QLoRA), and alignment methods like RLHF and DPO.

You’ll begin with essential linear algebra, probability, and ML principles before moving into text preprocessing, feature engineering, classification pipelines, and deep learning architectures. From there, the focus shifts to system design: building Retrieval-Augmented Generation (RAG) pipelines, implementing model routing strategies that balance cost and performance, and orchestrating structured multi-agent workflows. You'll also introduce structured interoperability patterns, including the Model Context Protocol (MCP). Governance and safety will be treated as architectural concerns, demonstrating how policy and compliance can be integrated directly into AI systems. By the end, you will have the tools to implement NLP techniques and be equipped to design, govern, and deploy intelligent systems built on them.

What you will learn

• Build strong NLP foundations in math and ML
• Engineer text classification and NLP pipelines
• Train and fine-tune modern LLM architectures
• Implement RAG systems with LangChain
• Orchestrate multiple AI agents and tools to solve complex tasks
• Evaluate NLP model performance and apply AI safety best practices
• Integrate external data and tools using Model Context Protocol (MCP)
• Fine-tune transformers with LoRA, QLoRA, and DPO techniques

Who this book is for

This book is for machine learning engineers, data scientists, and NLP practitioners looking to deepen their expertise and build advanced AI solutions. It also benefits professionals and researchers who want to apply the latest NLP and LLM techniques in real-world projects. Software engineers entering the AI field and tech enthusiasts keen on modern NLP advancements will find it valuable. A solid understanding of Python and basic Machine Learning concepts is assumed.

Table of Contents

1. An Introduction to the NLP Landscape
2. Mathematical Foundations for Machine Learning in NLP
3. Unleashing Machine Learning Potential in NLP
4. Streamlining Text Preprocessing Techniques for NLP
5. Text Classification Using Traditional ML Techniques
6. Text Classification Part 2 - Using Deep Learning Language Models
7. Demystifying LLM Theory, Design, and Implementation
8. Parameter-Efficient Fine-Tuning and Reasoning in LLMs
9. Advanced Setup and Integration with RAG and MCP
10. Advanced LLM Practices Using RAG and LangChain
11. Multi-Agent Solutions and Advanced Agent Frameworks
12. Technical Guardrails of AI Safety and Responsible Implementation
13. Designing and Managing AI-Native Products

Review

“Starts from real math and ends with deploying LLM agents and connecting models to external tools. I followed along and actually got things running in my own projects.”

Sina Sadeghian, Robotics & Automation - Research Engineer, Ford Motor Company

About the Author

Lior Gazit is a highly skilled Machine Learning professional with a proven track record of success in building and leading teams drive business growth. He is an expert in Natural Language Processing and has successfully developed innovative Machine Learning pipelines and products. He holds a Master degree and has published in peer-reviewed journals and conferences. As a Senior Director of the Machine Learning group in the Financial sector, and a Principal Machine Learning Advisor at an emerging startup, Lior is a respected leader in the industry, with a wealth of knowledge and experience to share. With much passion and inspiration, Lior is dedicated to using Machine Learning to drive positive change and growth in his organizations.

Meysam Ghaffari is a Senior Data Scientist with a strong background in Natural Language Processing and Deep Learning. Currently working at MSKCC, where he specialize in developing and improving Machine Learning and NLP models for healthcare problems. He has over 9 years of experience in Machine Learning and over 4 years of experience in NLP and Deep Learning. He received his Ph.D. in Computer Science from Florida State University, His MS in Computer Science - Artificial Intelligence from Isfahan University of Technology and his B.S. in Computer Science at Iran University of Science and Technology. He also worked as a post doctoral research associate at University of Wisconsin-Madison before joining MSKCC.