کتاب Inside Deep Learning

کتاب Inside Deep Learning با نام کامل یادگیری عمیق: ریاضی، الگوریتم‌ها، مدل‌ها، از جدیدترین منابع یادگیری علم یادگیری عمیق بوده که در 14 فصل به آن می‌پردازد. این کتاب مفاهیم یادگیری عمیق را به صورت ریشه‌ای و مفهومی بیان کرده و الگوریتم‌ها و مدل‌های آن را با زبانی ساده توضیح می‌دهد.

در ادامه مقدمه‌ای از کتاب Inside Deep Learning را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Inside Deep Learning:

من سفرم را با ماشین و یادگیری عمیق در روزهای کارشناسی شروع کردم، در طول یک ترم خارج از کشور به انگلستان به عنوان بخشی از نیاز زبان خارجی‌ام (بله، شما آن را درست خواندید). من بلافاصله عاشق ایده اساسی و پتانسیل ML برای تأثیر مثبت بر بسیاری از رشته‌ها و زندگی شدم، اما به طرز تاسف باری متوجه شدم که برای ریاضیات مورد نیاز این موضوع آماده نیستم.
از آن زمان، من خودم را مجبور کردم رشد کنم و یاد بگیرم که این شکاف‌ها را پر کنم: دکترای خود را در این موضوع گرفتم.

من به عنوان دانشمند ارشد در Booz Allen Hamilton کار می‌کنم و تیم‌های متعددی را در تحقیقات ML و DL رهبری می‌کنم. و من به عنوان استاد مدعو در دانشگاه مریلند، شهرستان بالتیمور، دانشجویان دکترا را راهنمایی می‌کنم. من می‌توانم به رشد کمک کنم و به دیگرانی که همان علایق و چالش‌های من را دارند کمک کنم و پیدایش این کتاب را امروز ایجاد کنم. چگونه می‌توانم به کارمندان، دانش آموزان و همکارانم کمک کنم تا دانش مورد نیاز خود را سریعتر و واضح‌تر و با درد کمتری نسبت به آنچه من متحمل شده ام به دست آورند؟

این کتاب مجموعه‌ای از دانش من در یادگیری عمیق است. این همه موضوعات کلیدی را پوشش می‌دهد که من می‌خواهم توسط یک نامزد ایده آل که من استخدام می‌کنم درک شود. این‌ها شامل گستره‌ای از حوزه‌های موضوعی است، بنابراین می‌توانید شروع به شناسایی و استفاده مجدد از الگوها کنید، و شما را در موقعیت موثری در هر زمینه ای قرار دهید.

برای من بسیار مهم است که این کتاب بیش از دستورات “استفاده از این مدل برای این نوع مشکل” را ارائه دهد. این کتاب به بررسی چرایی و چگونگی انتخاب مدل‌های مختلف می‌پردازد. امیدواریم وقتی خواندن این کتاب را به پایان رساندید، متوجه خواهید شد که چگونه تعامل بین ریاضی، کد و شهود ایجاد و رشد می‌کند، بنابراین مجهز خواهید بود تا از پیشرفت‌های جدید در این زمینه مطلع شوید.

درباره کتاب Inside Deep Learning:

در حین نوشتن این کتاب، سعی کردم به زمانی که برای اولین بار یاد می‌گرفتم به عقب برگردم: چه چیزی گیج‌کننده، ترسناک و گمراه‌کننده بود؟ چه چیزی به من کمک کرد تا در نهایت یک مفهوم را درک کنم، کدی را به کار ببرم، یا متوجه شوم که هیچ کس نمی‌داند چرا کار می‌کند؟

سپس به آنچه امروز می‌دانم فکر کردم: چه تکنیک‌هایی به بهترین شکل ممکن جواب می‌دهند، و ای کاش کارمندان و دانش آموزانم چه مهارت‌هایی داشتند؟ من در سه سال گذشته تلاش کردم تا همه این ایده‌ها را در یک کتاب برای شما خلاصه کنم. برای انجام این کار، چند استراتژی کلیدی را که در سراسر کتاب مورد استفاده قرار گرفته اند، توسعه داده ام:

تعداد زیادی کد و نتایج بصری – خیره شدن به اعداد در طول روز دشوار است و ریاضیات می‌تواند بسیار انتزاعی و استدلال در مورد آن دشوار باشد. به خصوص زمانی که برای اولین بار در حال یادگیری هستید، دیدن چیزی به صورت بصری و مشاهده تغییر آن با تغییر کدتان آسان‌تر است. این کتاب به جای جداول متراکم از نمودارها و نمودارها استفاده می‌کند، و من تمرکز زیادی روی ارقام و مجموعه داده‌های تصویری می‌گذارم که در آن می‌توانید به داده‌ها و نتایج نگاه کنید. تکنیک‌هایی که یاد می‌گیرید برای انواع دیگر داده‌ها مانند فرکانس‌های صوتی یا رادیویی قابل استفاده هستند، اما برای درک آن‌ها به پیش‌زمینه منحصربه‌فردی نیاز ندارید.

توضیحات متعدد – هوش مصنوعی رشته‌ای است که از والدین بسیاری متولد شده است، با کمک‌های علوم شناختی، مهندسی برق، علوم کامپیوتر، روان‌شناسی و غیره. به این ترتیب، اغلب دیدگاه‌های مختلفی برای درک یک رویکرد وجود دارد. به همین دلیل، سعی کرده‌ام توضیحات یا بازنمایی‌های متعددی را برای بسیاری از موضوعات، به‌ویژه موضوعات پیچیده، درج کنم. این به ایده‌های خانه کمک می‌کند و به شما امکان می‌دهد از توضیحاتی که برای شما منطقی‌تر است، انتخاب کنید.

ریاضی برای بقیه – اگر بتوانید یک معادله جدید را بخوانید و “آن را دریافت کنید”، یک جادوگر هستید. من یک جادوگر نیستم، و فکر نمی‌کنم شما هم باشید. ریاضی برای یادگیری و درک عمیق مهم است، بنابراین ما در مورد آن صحبت می‌کنیم، اما من ریاضی را به روشی ساده‌تر بیان می‌کنم. این شامل بازنویسی معادلات به‌عنوان کد، معادلات کدگذاری رنگ به‌عنوان جملاتی است که عملکرد یکسانی را توصیف می‌کنند، معادلات نگاشت به عبارات NumPy، و سایر استراتژی‌ها برای کمک به شما برای درک واقعی رویکرد اساسی، نه فقط کد ساخته شده در بالای آن.

چه کسی باید کتاب Inside Deep Learning را بخواند؟

اگر اصول یادگیری ماشینی را بدانید و با استفاده از پایتون کارها را راحت انجام دهید، می‌توانید با این کتاب کار کنید. این بدان معناست که شما با مفاهیم استاندارد ML مانند آموزش در مقابل عملکرد تست، اضافه کردن و عدم تناسب، و با الگوریتم‌های نان و کره (bread-and-butter algorithms) مانند رگرسیون لجستیک و خطی، خوشه‌بندی k-means، جستجوهای نزدیکترین همسایه، و تجزیه و تحلیل مؤلفه اصلی (PCA) آشنا هستید.

شما باید از این‌ها همانطور که توسط scikit-learn ارائه شده است استفاده می‌کردید و سایر ابزارهای موجود در اکوسیستم مانند NumPy، Pandas و توسعه شی‌گرا را می‌دانستید. شما نیازی به دانستن PyTorch ندارید، زیرا ما در این کتاب به آن پرداخته‌ایم، اما من شما را تشویق می‌کنم که در حین خواندن فصول برای دریافت، به اسناد PyTorch (https://pytorch.org/docs/stable/index.html) در حالی که فصل‌ها را می‌خوانید تا به جزئیات دقیق پی ببرید، مراجعه کنید.

اگر می‌خواهید رمز و راز یادگیری عمیق را درک کنید و شروع به ایجاد درک درستی از نحوه کارکرد، زمان استفاده از آن و نحوه استفاده از آن با اطمینان کنید، باید این کتاب را بخوانید! من سخت کار کرده‌ام تا میان نشان دادن کد، جزئیات عملی و دانش “در حین کار” با ریاضیات، آمار و درک نظری که باید خود را از بسته جدا کنید و با این سریع همگام باشید، وسیله‌ای مناسب پیدا کنم. زمینه در حال تکامل اگر به من پایبند باشید، هر فصل را چالش‌برانگیز و در عین حال ارزشمند خواهید یافت.

محتویات کتاب Inside Deep Learning باید پایه‌ای قوی برای هر مهندس ML، دانشمند داده یا محقق جوان تا متوسط ​​فراهم کند. حتی محققین ارشد بیشتری که با آن‌ها کار می‌کنم، این محتوا را مفید یافته اند و من از بسیاری از کدها در تولید استفاده کرده‌ام.

تعدادی از دانشجویان دکترای من نیز این کد را برای ایجاد تعادل بین «قابل استفاده» و «قابل تنظیم» مفید دانسته‌اند که در زمان آن‌ها صرفه‌جویی می‌کند و به آن‌ها کمک می‌کند تحقیقات خود را سریع‌تر تکمیل کنند.

نحوه سازماندهی کتاب Inside Deep Learning: نقشه راه

این کتاب دارای 2 بخش و 14 فصل می‌باشد. بخش 1 (فصل 1-6) بر پایه‌های یادگیری عمیق متمرکز است: چارچوب کدگذاری، انواع معماری پایه، اصطلاحات اجزای مختلف، و تکنیک‌های ساخت و آموزش شبکه‌های عصبی شما. این‌ها ابزارهای اساسی هستند که از آن‌ها می‌توانید سیستم‌های بزرگتر و پیچیده‌تری بسازید. سپس، در بخش 2 (فصل 7 تا 14)، شروع به اضافه کردن انتخاب‌ها یا استراتژی‌های طراحی جدید می‌کنیم.

هر فصل به گسترش کاربرد یادگیری عمیق به نوع جدیدی از کار یا مشکل کمک می‌کند، دامنه ما را برای کارهایی که DL می‌تواند انجام دهد گسترش می‌دهد و اهرم‌های جدیدی را برای تنظیم معاوضه‌های مختلف طراحی (به عنوان مثال سرعت در مقابل دقت) به ما می‌دهد.

اگرچه ممکن است وسوسه‌انگیز باشد که به فصلی بروید که مخصوصاً به کار روزانه شما مربوط می‌شود، این کتابی نیست که بتوان از فصل‌های آن صرف نظر کرد! کتاب با دقت ساخته شده است تا به ترتیب خطی خوانده شود. هر فصل مبتنی بر مفهوم یا تکنیکی است که در فصل قبل معرفی شد، به طوری که شما به آرامی درک عمیقی را با مجموعه گسترده‌ای از مهارت‌ها ایجاد می‌کنید.

بخش 1 کتاب Inside Deep Learning “روش‌های بنیادی” دارای شش فصل است:

فصل 1 PyTorch و اصول اولیه نحوه کار آن را مورد بحث قرار می‌دهد و نحوه استفاده از چارچوب را به شما نشان می‌دهد.

فصل 2 کتاب Inside Deep Learning ابتدایی ترین نوع شبکه عصبی – یک شبکه کاملاً متصل – و نحوه نوشتن کد برای آموزش شبکه‌های دلخواه در PyTorch را پوشش می‌دهد. این شامل یک راهنما است که نشان می‌دهد چگونه یک شبکه کاملاً متصل به مدل‌های خطی مرتبط است.

فصل 3 کتاب Inside Deep Learning پیچیدگی‌ها و نحوه فعال کردن شبکه‌های عصبی کانولوشن را که بر یادگیری عمیق مبتنی بر تصویر تسلط دارند، معرفی می‌کند.

فصل 4 شبکه‌های عصبی مکرر، نحوه کدگذاری اطلاعات متوالی و نحوه استفاده از آن‌ها برای مسائل طبقه‌بندی متن را معرفی می‌کند.

فصل 5 کتاب Inside Deep Learning تکنیک‌های آموزشی جدیدتری را معرفی می‌کند که می‌تواند در هر شبکه عصبی برای به دست آوردن دقت بالاتر در زمان کمتر اعمال شود و توضیح می‌دهد که چگونه می‌توانند به این هدف دست یابند.

فصل 6 الگوهای طراحی مدرن را که امروزه مورد استفاده قرار می‌گیرند، توسعه می‌دهد و دانش شما را از طراحی یک شبکه عصبی به عصر مدرن می‌آورد.

بخش 2 کتاب Inside Deep Learning، “ساخت شبکه‌های پیشرفته” دارای هشت فصل است: فصل 7 رمزگذاری خودکار را به عنوان تکنیکی برای آموزش یک شبکه عصبی بدون داده‌های برچسب‌دار معرفی می‌کند که امکان یادگیری بدون نظارت را فراهم می‌کند.

بیشتر بخوانید: کتاب Deep Learning and Physics

فصل 8 کتاب Inside Deep Learning تقسیم‌بندی تصویر و تشخیص اشیاء را به عنوان دو تکنیک معرفی می‌کند که می‌توانید از آن‌ها برای یافتن چندین مورد در یک تصویر استفاده کنید.

فصل 9 کتاب Inside Deep Learning شبکه متخاصم مولد را توسعه می‌دهد، رویکردی بدون نظارت که می‌تواند داده‌های مصنوعی تولید کند و پایه و اساس بسیاری از تکنیک‌های تغییر تصویر مدرن و عمیق جعلی است.

فصل 10 کتاب Inside Deep Learning به شما می‌آموزد که چگونه مکانیزم توجه را که یکی از مهم‌ترین پیشرفت‌های اخیر در شبکه‌های قبلی است، پیاده‌سازی کنید. مکانیسم‌های توجه به شبکه‌های عمیق اجازه می‌دهند تا به طور انتخابی بخش‌های نامربوط یا بی‌اهمیت ورودی را نادیده بگیرند.

فصل 11 کتاب Inside Deep Learning از توجه برای ساخت مدل اصلی Seq2Seq استفاده می‌کند و نشان می‌دهد که چگونه می‌توان یک مترجم انگلیسی به فرانسوی را با استفاده از همان رویکردهای مستقر در سیستم‌های تولید ساخت.

فصل 12 کتاب Inside Deep Learning یک استراتژی جدید برای اجتناب از شبکه‌های تکراری (به دلیل معایب آن‌ها) با بازنگری در نحوه طراحی شبکه‌ها معرفی می‌کند. این شامل معماری ترانسفورماتور، پایه و اساس بهترین ابزارهای فعلی برای پردازش زبان طبیعی است.

فصل 13 کتاب Inside Deep Learning یادگیری انتقالی را پوشش می‌دهد، رویکردی که از شبکه‌های آموزش دیده بر روی یک مجموعه داده برای بهبود عملکرد در دیگری استفاده می‌کند. این اجازه می‌دهد تا از داده‌های دارای برچسب کمتر استفاده کنید و آن را به یکی از مفیدترین ترفندها در کار در دنیای واقعی تبدیل می‌کند.

فصل 14 کتاب را با بازبینی مجدد برخی از اساسی‌ترین اجزای یک شبکه عصبی مدرن و آموزش سه تکنیک اخیرا منتشر شده که اکثر پزشکان هنوز از آن‌ها برای ساخت مدل‌های بهتر آگاه نیستند، به پایان می‌رساند.

سرفصل‌های کتاب Inside Deep Learning:

• brief contents
• contents
• foreword
• preface
• acknowledgments
• about this book
• about the author
• about the cover illustration
• Part 1 Foundational methods
  • 1 The mechanics of learning
  • 2 Fully connected networks
  • 3 Convolutional neural networks
  • 4 Recurrent neural networks
  • 5 Modern training techniques
  • 6 Common design building blocks
• Part 2 Building advanced networks
  • 7 Autoencoding and self-supervision
  • 8 Object detection
  • 9 Generative adversarial networks
  • 10 Attention mechanisms
  • 11 Sequence-to-sequence
  • 12 Network design alternatives to RNNs
  • 13 Transfer learning
  • 14 Advanced building blocks
• A Setting up Colab
• index

فایل کتاب Inside Deep Learning را می‌توانید پس از پرداخت، دریافت کنید.