کتاب Deep Learning and Scientific Computing with R torch (یادگیری عمیق و محاسبات علمی با R torch) دو مبحث یادگیری عمیق و علوم رایانه را با استفاده از R torch بررسی و مفاهیم آنها را پیاده‌سازی می‌کند.
در ادامه مقدمه‌ای از کتاب Deep Learning and Scientific Computing with R torch را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Deep Learning and Scientific Computing with R torch:
این کتاب در مورد Torch، رابط R برای PyTorch است. PyTorch، تا زمان نگارش این مقاله، یکی از چارچوب‌های اصلی یادگیری عمیق و محاسباتی علمی است که به طور گسترده در صنایع و حوزه‌های تحقیقاتی استفاده می‌شود. با torch، می‌توانید مستقیماً از R به عملکرد غنی آن دسترسی داشته باشید، بدون نیاز به نصب، چه رسد به یادگیری، پایتون.
اگرچه به عنوان یک پروژه هنوز “جوان” است، torch در حال حاضر دارای یک جامعه پر جنب و جوش از کاربران و توسعه دهندگان است. دومی نه تنها چارچوب اصلی را گسترش می‌دهد، بلکه آن را در بسته‌های خود بنا می‌کند. در این متن، سعی دارم به سه هدف، مطابق با سه بخش اصلی کتاب Deep Learning and Scientific Computing with R torch، دست یابم.
اولین مقدمه‌ای کامل از torch اصلی است: ساختارهای اساسی که بدون آنها هیچ چیز کار نمی‌کند. حتی اگر در کارهای آینده، احتمالاً در صورت امکان از ساختارهای نحوی سطح بالاتر استفاده کنید، مهم است که بدانید آنها از چه چیزی مراقبت می‌کنند و مفاهیم اصلی را درک کرده باشید. علاوه بر این، از نقطه نظر عملی، شما فقط باید تا حدی به torch مسلط باشید، بنابراین مجبور نیستید اغلب به «برنامه‌نویسی آزمون و خطا» متوسل شوید.
در بخش دوم کتاب Deep Learning and Scientific Computing with R torch، مبانی توضیح داده شد، به بررسی کاربردهای مختلف یادگیری عمیق، از تشخیص تصویر در سری‌های زمانی و داده‌های جدولی گرفته تا طبقه‌بندی صوتی می‌پردازیم. در اینجا نیز تمرکز بر تبیین مفهومی است.
علاوه بر این، هر فصل کتاب Deep Learning and Scientific Computing with R torch رویکردی را ارائه می‌کند که می‌توانید از آن به عنوان «الگو» برای برنامه‌های کاربردی خود استفاده کنید. هر زمان که کافی باشد، من همچنین سعی می‌کنم به اهمیت ترکیب دانش دامنه، در مقابل رویکرد غیر معمول “داده‌های بزرگ، مدل‌های بزرگ، محاسبات بزرگ” اشاره کنم.
بخش سوم کتاب Deep Learning and Scientific Computing with R torch از این جهت خاص است که برخی از کارهای غیر یادگیری عمیق را که می‌توانید با torch انجام دهید برجسته می‌کند: محاسبات ماتریسی (مانند روش‌های مختلف حل مسائل رگرسیون خطی)، محاسبه تبدیل فوریه گسسته، و تحلیل موجک. در اینجا، بیش از هر جای دیگری، رویکرد مفهومی برای من بسیار مهم است. بگذار توضیح بدهم.
برای یک، من انتظار دارم که از نظر سابقه تحصیلی، خوانندگان من کمی متفاوت باشند.
با توجه به اینکه R به طور فزاینده‌ای در علوم طبیعی و همچنین سایر حوزه‌های نزدیک به ریاضیات کاربردی تدریس می‌شود و مورد استفاده قرار می‌گیرد، کسانی خواهند بود که احساس می‌کنند نمی‌توانند از توضیح مفهومی (هر چند با فرمول هدایت شده!) بهره مند شوند. می‌گویند، تبدیل فوریه گسسته کار می‌کند.
با این حال، برای دیگران، بسیاری از این ممکن است قلمروی ناشناخته باشد، اگر همه چیز به روال عادی خود پیش برود، هرگز نمی‌توان وارد آن شد. این ممکن است، برای مثال، برای افرادی که دارای پس‌زمینه‌ی انسان‌گرا و غیر سنتی-تجربی هستند، مانند ادبیات، مطالعات فرهنگی، یا رشته‌های فلسفه صدق کند.
البته، این احتمال وجود دارد که اگر شما جزو دومی هستید، ممکن است توضیحات من را، هرچند متمرکز بر مفهوم، اما هنوز هم بسیار (یا: بیش از حد) ریاضی بدانید. در این صورت، لطفاً مطمئن باشید که تا درک این چیزها (مانند بسیاری موارد دیگر که ارزش درک دارند)، راه درازی است. اما ما یک زمان زندگی داریم
ثانیاً، اگرچه یادگیری عمیق الگوی دهه گذشته بوده است، به نظر می‌رسد تحولات اخیر نشان می‌دهد که علاقه به مبانی ریاضی/مبتنی بر دامنه در حال افزایش است (دوباره – این یک پدیده تکرار شونده است) در حال افزایش است. (به عنوان مثال، رویکرد یادگیری عمیق هندسی را در نظر بگیرید، که به طور سیستماتیک در برونشتاین و همکاران (2021) توضیح داده شده است، و به طور مفهومی در فراتر از کیمیاگری: اولین نگاه به یادگیری عمیق هندسی معرفی شده است.) در آینده، من فرض می‌کنم که ما احتمالاً رویکردهای ترکیبی بیشتری را ببینید که تکنیک‌های یادگیری عمیق و دانش حوزه را ادغام می‌کنند. تبدیل فوریه از بین نمی‌رود.
نکته آخر، در مورد این موضوع، اجازه دهید روشن کنم که البته، همه فصل‌های کتاب Deep Learning and Scientific Computing with R torch دارای کد Torch هستند. برای مثال، در مورد تبدیل فوریه، نه تنها روش رسمی انجام این کار، با استفاده از عملکرد اختصاصی، بلکه روش‌های مختلف کدگذاری الگوریتم را خودتان – در تعداد شگفت‌انگیز کم و با خطوط بسیار چشمگیر مشاهده خواهید کرد. کارایی.
به طور خلاصه، این چیزی است که از کتاب Deep Learning and Scientific Computing with R torch انتظار می‌رود. قبل از پایان، یک چیزی وجود دارد که من کاملاً باید بگویم، بیشتر از این که با وجود اینکه دوست داشتم، با توجه به فنی بودن محتوا، فرصتی برای پرداختن به آن در کتاب زیاد پیدا نکردم.
در جوامع ما، همانطور که پذیرش یادگیری ماشینی/عمیق (“AI”) در حال رشد است، فرصت‌های سوء استفاده از سوی دولت‌ها و همچنین سازمان‌های خصوصی نیز افزایش می‌یابد. غالباً ممکن است صدمه ای در نظر گرفته نشده باشد. اما با این حال، نتایج می‌تواند فاجعه بار باشد، به ویژه برای افراد متعلق به اقلیت‌ها، یا گروه‌هایی که قبلاً در وضعیت نامساعدی قرار دارند.
به همین ترتیب، حتی در اکثر نظام‌های سیاسی امروزی، انگیزه‌های اجتناب‌ناپذیر برای کسب سود، حداقل به جوامعی می‌انجامد که دارای ویژگی‌های بسیار مشکوک هستند (فکر کنید: نظارت، و «کمی‌سازی همه چیز»). و به احتمال زیاد در تبعیض، بی عدالتی و آسیب شدید. در اینجا، من نمی‌توانم بیشتر از جلب توجه به این مشکل، به شما اشاره کنم به یک پست وبلاگ مقدماتی که شاید برای شما مفید باشد: شروع به فکر کردن در مورد AI Fairness2، و فقط از شما می‌خواهم که، لطفاً به طور فعال از این مشکل آگاه باشید. زندگی عمومی و همچنین کار و برنامه‌های کاربردی شما.
سرفصل‌های کتاب Deep Learning and Scientific Computing with R torch:
- List of Figures
- Preface
- Author Biography
- I Getting Familiar with Torch
- 1 Overview
- 2 On torch, and How to Get It
- 3 Tensors
- 4 Autograd
- 5 Function Minimization with autograd
- 6 A Neural Network from Scratch
- 7 Modules
- 8 Optimizers
- 9 Loss Functions
- 10 Function Minimization with L-BFGS
- 11 Modularizing the Neural Network
- II Deep Learning with torch
- 12 Overview
- 13 Loading Data
- 14 Training with luz
- 15 A First Go at Image Classification
- 16 Making Models Generalize
- 17 Speeding up Training
- 18 Image Classification, Take Two: Improving Performance
- 19 Image Segmentation
- 20 Tabular Data
- 21 Time Series
- 22 Audio Classification
- III Other Things to do with torch: Matrices, Fourier Transform, and Wavelets
- 23 Overview
- 24 Matrix Computations: Least-squares Problems
- 25 Matrix Computations: Convolution
- 26 Exploring the Discrete Fourier Transform (DFT)
- 27 The Fast Fourier Transform (FFT)
- 28 Wavelets
- References
- Index
جهت دانلود کتاب Deep Learning and Scientific Computing with R torch می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.