کتاب Machine Learning with Noisy Labels

کتاب Machine Learning with Noisy Labels: Definitions, Theory, Techniques and Solutions (یادگیری ماشین با برچسب‌های نویزدار: تعاریف، تئوری، تکنیک‌ها و راه‌حل‌ها) مقدمه‌ای ایده‌آل برای یادگیری ماشینی با برچسب‌های پر سر و صدا فراهم می‌کند که برای دانشجویان ارشد، دانشجویان فوق‌لیسانس، محققان و متخصصان با استفاده و تحقیق از روش‌های یادگیری ماشین مناسب است.

در ادامه مقدمه‌ای از کتاب Machine Learning with Noisy Labels را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning with Noisy Labels:

از لحاظ تاریخی، مدل‌های یادگیری ماشین با مجموعه‌های آموزشی به خوبی تنظیم شده‌اند که حاوی مقدار ناچیزی نویز برچسب هستند. حتی اگر این مجموعه‌های آموزشی با برچسب تمیز یکی از ستون‌های اصلی موفقیت یادگیری ماشینی را نشان می‌دهند، چنین مدیریت دقیق فرآیندی است که به مجموعه داده‌های بزرگی که به طور فزاینده‌ای در این زمینه در دسترس هستند، مقیاس نمی‌شود.

در واقع، با افزایش اندازه مجموعه داده‌ها، احتمال گنجاندن نمونه‌های دارای برچسب پر سر و صدا نیز به دلیل هزینه‌های قابل‌توجهی که مربوط به تنظیم دقیق است، افزایش می‌یابد. علاوه بر این، در سناریو‌های خاص یادگیری ماشین، مانند تفسیر تصاویر پزشکی برای تشخیص بیماری، معمولاً برچسب‌زنان متخصص، اختلافات طبیعی را در مورد برچسب‌های خاص نشان می‌دهند.

عدم قطعیت ذاتی ناشی از اختلاف نظر کارشناسان در این مشکلات آن‌ها را مستعد مقدار قابل توجهی از نویز برچسب می‌کند که حتی با یک فرآیند برچسب‌گذاری بسیار دقیق نمی‌توان به طور کامل حذف کرد.

بنابراین، توسعه مدل‌های یادگیری ماشینی جدید که می‌توانند مجموعه داده‌های بسیار بزرگی را که احتمالاً به دقت برچسب‌گذاری نشده‌اند، کشف کنند، یا مجموعه‌های داده‌ای که دارای برچسب‌های ذاتاً نامشخص هستند، بر توسعه الگوریتم‌ها و مدل‌هایی متکی است که در برابر برچسب‌های پر سر و صدا مقاومت نشان می‌دهند.

چنین توسعه‌ای از الگوریتم‌ها و مدل‌های یادگیری با برچسب پر سر و صدا، توجه جامعه پژوهشی را به خود جلب کرده است و منجر به انتشار تعداد زیادی مقاله عالی شده است.

در نتیجه، دانش‌آموزان، محققان و شاغلینی که می‌خواهند بتوانند مشکل برچسب پر سر و صدا را بخوانند و درک کنند، باید از میان این تعداد زیادی از مقالات منتشر شده در ۵ تا ۱۰ سال گذشته عبور کنند، که حتی برای افراد با تجربه کار آسانی نیست. حرفه‌ای‌ها. این کتاب برای تسهیل این کار پیشنهاد شده است و منبع اطلاعاتی مفیدی را در این موضوع به دانشجویان، محققان و پزشکان ارائه می‌دهد.

کتاب با تعریف مسأله یادگیری برچسب نویز شروع می‌شود، سپس انواع مختلف نویز برچسب و تئوری پشت مشکل را معرفی می‌کند. همچنین تکنیک‌ها و روش‌های اصلی را ارائه می‌کند که امکان استفاده مؤثر از مجموعه‌های آموزشی دارای برچسب نویز را فراهم می‌کند.

با استفاده از کتاب Machine Learning with Noisy Labels، خواننده ابزار‌هایی برای درک، بازتولید و طراحی مدل‌های رگرسیون، طبقه‌بندی، تقسیم‌بندی و تشخیص را در اختیار خواهد داشت که می‌توانند با مجموعه‌های آموزشی با برچسب پر سر و صدا در مقیاس بزرگ آموزش ببینند. دوره‌های پیشرفته یادگیری ماشینی که موضوعات یادگیری را با مجموعه داده‌های دارای برچسب پر سر و صدا و دنیای واقعی پوشش می‌دهند، از بینش‌های ارائه شده در این کتاب بسیار سود خواهند برد.

به طور خلاصه، با کتاب Machine Learning with Noisy Labels خواننده قادر خواهد بود:

۱.  با استفاده از مجموعه‌های آموزشی با برچسب پر سر و صدا در مقیاس بزرگ، مدل‌های رگرسیون، طبقه‌بندی، تشخیص و تقسیم‌بندی را با موفقیت طراحی و بازتولید کنید.

۲. تئوری و انگیزه یادگیری با برچسب پر سر و صدا را درک کنید.

۳. روش‌های یادگیری با برچسب پر سر و صدا را با توجه به مجموعه‌ای از تکنیک‌های اصلی تجزیه و تحلیل کنید.

۴. روش‌ها و معیار‌های پیشرفته موجود در این زمینه را شرح دهید.

۵. نحوه دسترسی به کد‌ها و مجموعه‌های داده در اینترنت را بدانید.

۶. نحوه کشف بهترین روش‌ها برای مشکلات برچسب‌های نویز فعلی و آینده را بدانید.

۷. روش‌های نوآورانه یادگیری با برچسب پر سر و صدا را پیشنهاد کنید.

سازمان کتاب Machine Learning with Noisy Labels

این کتاب با فصل ۱ شروع می‌شود، جایی که ما یک تعریف غیررسمی از نویز برچسب، بحث در مورد منابع نویز برچسب، و توضیح ساده‌ای از طبقه‌بندی نویز برچسب که در حال حاضر توسط محققان و متخصصان یادگیری ماشین پذیرفته شده است، ارائه می‌دهیم. سپس، چالش‌های اصلی پیش روی محققان در یادگیری نویز برچسب را مورد بحث قرار می‌دهیم.

فصل ۲ کتاب Machine Learning with Noisy Labels یک تعریف رسمی از مسأله یادگیری با برچسب پر سر و صدا با تمرکز بر چهار کار ارائه می‌دهد: طبقه‌بندی، رگرسیون، تقسیم‌بندی و تشخیص.

سپس مشکلات نویز لیبل بسته و مجموعه باز متقارن، نامتقارن و وابسته به نمونه را تعریف می‌کنیم. علاوه بر این، ما روش‌هایی را برای ارزیابی روش‌های یادگیری نویز برچسب تعریف می‌کنیم. این فصل همچنین بینایی کامپیوتری اصلی، تجزیه و تحلیل تصویر پزشکی، و مجموعه داده‌های غیر تصویری و معیار‌های مورد استفاده برای ارزیابی روش‌های یادگیری با برچسب نویز را ارائه می‌کند.

در فصل ۳ کتاب Machine Learning with Noisy Labels، جنبه‌های نظری مسأله یادگیری نویز برچسب را معرفی می‌کنیم. به طور خاص، فرآیند تولید نویز برچسب را در هنگام تعریف مشکل یادگیری برچسب پر سر و صدا با ماتریس انتقال برچسب به تفصیل شرح می‌دهیم. سپس توضیح می‌دهیم که چگونه فرآیند تولید نویز برچسب مشابه با فرض تعریف توزیع نویز برچسب انجام می‌شود. این فصل با معرفی مختصری از حدود یادگیری تقریباً صحیح (PAC) در زمینه یادگیری با نویز برچسب به پایان می‌رسد.

فصل ۴ کتاب Machine Learning with Noisy Labels، تحولات فنی اصلی در مطالعه یادگیری با نویز برچسب را ارائه می‌کند. به طور خاص، ما توضیحات خود را بر روی تکنیک‌های اصلی از نظر طراحی تابع از دست دادن، الگوریتم‌های آموزشی، پردازش داده‌ها و معماری مدل متمرکز می‌کنیم.

حتی اگر روش‌های این فصل را می‌توان به طور کلی برای روش‌های یادگیری ماشین اعمال کرد، ما توجه خود را بر روی روش‌های یادگیری عمیق متمرکز می‌کنیم، زیرا آن‌ها تقریباً در همه برنامه‌ها بهترین نتایج را نشان می‌دهند.

در ادامه در فصل ۵ کتاب Machine Learning with Noisy Labels، رویکرد‌های مدرنی را معرفی می‌کنیم که نتایج پیشرفته‌ای را در معیار‌های اصلی یادگیری با برچسب پر سر و صدا ارائه می‌کنند. ما هر رویکرد را توضیح می‌دهیم و مخزن کد آن‌ها را (در صورت وجود) ارائه می‌کنیم. ما همچنین نتایج آن‌ها را در معیار‌های اصلی در این زمینه ارائه می‌دهیم. این فصل با رتبه‌بندی روش‌های برتر برای هر معیار و خلاصه‌ای از موفق‌ترین تکنیک‌های مورد استفاده برای رسیدگی به مشکلات یادگیری با برچسب پر سر و صدا پایان می‌یابد.

کتاب Machine Learning with Noisy Labels در فصل ۶ به پایان می‌رسد، جایی که ما در مورد یافته‌ها و محدودیت‌های اصلی روش‌های ارائه شده در این زمینه بحث می‌کنیم، و سپس جهت‌گیری‌های احتمالی آینده را ارائه می‌دهیم.

سرفصل‌های کتاب Machine Learning with Noisy Labels:

• Cover image
• Title page
• Table of Contents
• Copyright
• Dedication
• Biography
• Preface
• Acknowledgments
• Mathematical notation
• Chapter 1: Problem definition
• Chapter 2: Noisy-label problems and datasets
• Chapter 3: Theoretical aspects of noisy-label learning
• Chapter 4: Noisy-label learning techniques
• Chapter 5: Benchmarks, methods, results, and code
• Chapter 6: Conclusions and final considerations
• Bibliography
• Index

جهت دانلود کتاب Machine Learning with Noisy Labels می‌توانید پس از پرداخت، دریافت کنید.