کتاب Data Augmentation with Python

کتاب Data Augmentation with Python (تقویت داده‌ها با پایتون: افزایش دقت در یادگیری عمیق با تقویت داده‌های عملی برای تصویر، متن، صدا و داده‌های جدولی) در 9 فصل به صورت کاربردی در مورد تقویت داده‌ها و به کارگیری آن در تصویر متن و داده‌های جدولی خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Data Augmentation with Python را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Data Augmentation with Python:

با استفاده از مجموعه داده‌های دنیای واقعی، قدرت افزایش داده‌ها را برای هوش مصنوعی و هوش مصنوعی مولد آزاد کنید. دقت مدل خود را بهبود بخشید و تصاویر، متون، صدا و جدول را با استفاده از بیش از 150 روش کاملاً کاربردی شی‌گرا و کتابخانه‌های منبع باز گسترش دهید.

کتاب Data Augmentation with Python برای چه کسی است؟

این کتاب برای افراد علاقه مند به رشته هوش مصنوعی، از جمله دانشمندان داده و دانش آموزان در نظر گرفته شده است. در حالی که نیازی به هوش مصنوعی پیشرفته یا مهارت‌های یادگیری عمیق نیست، آشنایی با برنامه‌نویسی پایتون و نوت‌بوک‌های Jupyter ضروری است.

بیشتر بخوانید: کتاب Modern Deep Learning for Tabular Data

آنچه کتاب Data Augmentation with Python پوشش می‌دهد:

فصل 1، افزایش داده‌ها آسان شده است، مقدمه ای بر تقویت داده‌ها است. خوانندگان با تعریف افزایش داده‌ها، انواع داده‌ها و مزایای آن آشنا خواهند شد. علاوه بر این، خوانندگان یاد خواهند گرفت که چگونه نوت بوک آنلاین مناسب Jupyter Python را انتخاب کنند یا آن را به صورت محلی نصب کنند. در نهایت، فصل 1 با بحث در مورد قراردادهای کدنویسی، دسترسی GitHub، و پایه کد کلاس شی گرا، به نام پلوتون، به پایان می‌رسد.

فصل 2 کتاب Data Augmentation with Python، سوگیری‌ها در افزایش داده‌ها، سوگیری‌های محاسباتی، انسانی و سیستمی را با مثال‌های واقعی در دنیای واقعی برای نشان دادن تفاوت‌های بین این نوع سوگیری‌ها تعریف می‌کند. خوانندگان این فرصت را خواهند داشت تا با دانلود سه مجموعه داده تصویری واقعی و دو مجموعه داده متنی از وب سایت Kaggle، شناسایی سوگیری‌های داده را تمرین کنند تا یادگیری خود را تقویت کنند. پس از دانلود، خوانندگان یاد خواهند گرفت که چگونه دسته‌های تصویر و متن را نمایش دهند و در مورد سوگیری‌های احتمالی در داده‌ها بحث کنند.

فصل 3 کتاب Data Augmentation with Python، تقویت تصویر برای طبقه بندی، دارای دو بخش است. ابتدا، خوانندگان مفاهیم و تکنیک‌های تقویت برای طبقه‌بندی تصویر، و سپس کدنویسی پایتون و توضیح دقیق روش‌های تقویت تصویر با سطح ایمن اعوجاج تصویر را خواهند آموخت.

در پایان این فصل، خوانندگان مفاهیم و تکنیک‌های عملی در کدنویسی پایتون برای تقویت تصویر طبقه‌بندی شده با استفاده از شش مجموعه داده تصویری در دنیای واقعی را خواهند آموخت. علاوه بر این، آن‌ها چندین کتابخانه منبع باز پایتون را برای تقویت تصویر بررسی می‌کنند و توابع پوشش پایتون را با استفاده از کتابخانه‌های انتخاب شده می‌نویسند.

فصل 4 کتاب Data Augmentation with Python، تقویت تصویر برای تقسیم‌بندی، بر این نکته تأکید می‌کند که هم تقسیم‌بندی تصویر و هم طبقه‌بندی تصویر، اجزای حیاتی حوزه بینایی رایانه هستند. تقسیم‌بندی تصویر شامل گروه‌بندی بخش‌هایی از یک تصویر است که متعلق به یک شی است که به عنوان طبقه‌بندی سطح پیکسل نیز شناخته می‌شود.

برخلاف طبقه‌بندی تصویر، که موضوع یا برچسب عکس را شناسایی و پیش‌بینی می‌کند، تقسیم‌بندی تصویر تعیین می‌کند که آیا یک پیکسل به فهرستی از اشیا یا برچسب‌ها تعلق دارد یا خیر. روش‌های تقویت تصویر برای تقسیم‌بندی یا طبقه‌بندی یکسان است، به جز تقسیم‌بندی با یک ماسک اضافی یا تصویر واقعی زمین. هدف فصل 4 ارائه تبدیل‌های هندسی و فوتومتریک مداوم برای تقسیم‌بندی تصویر است.

فصل 5 کتاب Data Augmentation with Python، تقویت متن، تقویت متن را بررسی می‌کند، تکنیکی که در پردازش زبان طبیعی (NLP) برای تولید داده‌های اضافی با تغییر یا ایجاد متن جدید از داده‌های متن موجود استفاده می‌شود. تقویت متن می‌تواند شامل تکنیک‌هایی مانند تعویض کاراکتر، تزریق نویز، جایگزینی مترادف، حذف کلمه، درج کلمه و تعویض کلمه باشد. تقویت تصویر و متن همین هدف را دارد. آن‌ها در تلاش برای افزایش اندازه مجموعه داده آموزشی و بهبود دقت پیش‌بینی هوش مصنوعی هستند. در فصل 5، با افزایش متن و نحوه کدنویسی متدها در نوت بوک پایتون آشنا خواهید شد.

فصل 6 کتاب Data Augmentation with Python، تقویت متن با یادگیری ماشینی، یک تکنیک پیشرفته را مورد بحث قرار می‌دهد که هدف آن بهبود دقت مدل ML است. جالب توجه است، تقویت متن از یک مدل ML از پیش آموزش‌دیده برای ایجاد داده‌های آموزشی NLP اضافی استفاده می‌کند و یک فرآیند دایره‌ای ایجاد می‌کند. اگرچه کدگذاری ML فراتر از محدوده این کتاب است، درک تفاوت بین استفاده از کتابخانه‌ها و ML برای تقویت متن می‌تواند مفید باشد. فصل 6 تقویت متن با یادگیری ماشین را پوشش می‌دهد.

فصل 7 کتاب Data Augmentation with Python، تقویت داده‌های صوتی، توضیح می‌دهد که مشابه تقویت تصویر و متن، هدف تقویت صدا، گسترش مجموعه داده برای دستیابی به پیش‌بینی یا پیش‌بینی با دقت بالاتر در یک سیستم هوش مصنوعی مولد است. تقویت صدا مقرون به صرفه است و زمانی که دستیابی به فایل‌های صوتی اضافی گران یا وقت گیر است، گزینه ای مناسب است. نوشتن در مورد روش‌های تقویت صدا چالش‌های منحصر به فردی را ایجاد می‌کند. اولین مورد این است که صدا مانند تصاویر یا متن بصری نیست. اگر قالب کتاب‌های صوتی، صفحات وب یا برنامه‌های تلفن همراه باشد، صدا را پخش می‌کنیم، اما رسانه کاغذی است.

بنابراین، سیگنال صوتی را به یک نمایش بصری تبدیل می‌کنیم. فصل 6 تقویت صدا با استفاده از تبدیل شکل موج را پوشش می‌دهد. می‌توانید فایل صوتی را در نوت بوک پایتون پخش کنید.

فصل 8 کتاب Data Augmentation with Python، تقویت داده‌های صوتی با Spectogram، بر مبحث فصل قبل تقویت صدا با بررسی روش‌های تجسم اضافی فراتر از نمودار شکل موج استوار است. طیف‌نگار صوتی یکی دیگر از روش‌های تجسم‌سازی برای دیدن اجزای صوتی است. ورودی‌های طیف نگار یک آرایه یک بعدی از مقادیر دامنه و نرخ نمونه برداری است.

آن‌ها همان ورودی‌های نمودار شکل موج هستند. طیف‌نگار صوتی گاهی سونوگرافی، سوناگرام، چاپ صوتی یا ویسگرام نامیده می‌شود. استفاده معمولی برای موسیقی، گفتار انسان و سونار است. یک تعریف استاندارد کوتاه، طیفی از نقشه‌های فرکانس با مدت زمان است. به عبارت دیگر، محور Y فرکانس هرتز یا کیلوهرتز است و محور X مدت زمان بر حسب ثانیه یا میلی ثانیه است. فصل 8 فرمت استاندارد طیف‌نگار صوتی، تنوع طیف‌نگار، طیف‌نگار مل، تبدیل فوریه کوتاه‌مدت کروما (STFT) و تکنیک‌های تقویت را پوشش می‌دهد.

فصل 9 کتاب Data Augmentation with Python، افزایش داده‌های جدولی، شامل گرفتن داده‌ها از یک پایگاه داده، صفحه گسترده یا قالب جدول و گسترش آن برای چرخه آموزش هوش مصنوعی است. هدف افزایش دقت پیش‌بینی یا پیش‌بینی است که برای تقویت تصویر، متن و صدا یکسان است.

افزایش جدولی یک زمینه نسبتاً جدید برای دانشمندان داده است. این برخلاف استفاده از تجزیه و تحلیل برای گزارش، خلاصه کردن یا پیش بینی است. در تجزیه و تحلیل، تغییر یا افزودن داده‌ها برای انحراف نتایج به یک نتیجه دلخواه از پیش تعیین شده غیراخلاقی است. در تقویت داده‌ها، هدف استخراج داده‌های جدید از مجموعه داده‌های موجود است. این دو هدف ناسازگار هستند، اما اینطور نیست. یک انحراف جزئی از فرمت تقویت تصویر، متن و صدا وجود خواهد داشت. ما زمان بیشتری را در کد پایتون صرف مطالعه مجموعه داده‌های جدولی در دنیای واقعی خواهیم کرد.

سرفصل‌های کتاب Data Augmentation with Python:

• Data Augmentation with Python
• Foreword
• Contributors
• About the author
• About the reviewers
• Preface
• Part 1: Data Augmentation
  • Chapter 1: Data Augmentation Made Easy
  • Chapter 2: Biases in Data Augmentation
• Part 2: Image Augmentation
  • Chapter 3: Image Augmentation for Classification
  • Chapter 4: Image Augmentation for Segmentation
• Part 3: Text Augmentation
  • Chapter 5: Text Augmentation
  • Chapter 6: Text Augmentation with Machine Learning
• Part 4: Audio Data Augmentation
  • Chapter 7: Audio Data Augmentation
  • Chapter 8: Audio Data Augmentation with Spectrogram
• Part 5: Tabular Data Augmentation
  • Chapter 9: Tabular Data Augmentation
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Data Augmentation with Python می‌توانید پس از پرداخت، دریافت کنید.