کتاب Practical Deep Learning, 2nd Edition (یادگیری عمیق کاربردی، ویرایش دوم) یک راهنمای جامع و عملی برای درک و پیاده‌سازی مدل‌های یادگیری عمیق است. این کتاب با تمرکز بر رویکردهای کاربردی، خوانندگان را از مفاهیم اولیه تا تکنیک‌های پیشرفته‌تر مانند شبکه‌های عصبی پیچشی (CNN)، شبکه‌های عصبی بازگشتی (RNN) و ترانسفورمرها هدایت می‌کند.

هدف اصلی آن ارائه دانشی است که به خوانندگان امکان می‌دهد با استفاده از کتابخانه‌های محبوب پایتون مانند TensorFlow و PyTorch، مدل‌های یادگیری عمیق را برای حل مسائل واقعی در زمینه‌هایی مانند بینایی کامپیوتر، پردازش زبان طبیعی و تولید محتوا بسازند و بهینه‌سازی کنند.

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

مقدمه‌ای بر کتاب Practical Deep Learning:

مقدمه مؤلف

وقتی دبیرستان بودم، می‌خواستم یک برنامه دوز بنویسم که به کاربر اجازه می‌داد با کامپیوتر بازی کند. در آن زمان، کاملاً از این‌که دانشمندان واقعی کامپیوتر چگونه به چنین مشکلی نزدیک می‌شوند، بی‌خبر بودم. من فقط افکار خودم را داشتم و آن هم این بود که قوانین زیادی را با استفاده از دستورات خام if…then و goto که توسط Applesoft BASIC بدون ساختار پشتیبانی می‌شدند، پیاده‌سازی کنم. برنامه من قوانین زیادی داشت — چند صد خط کد.

بازی به خوبی کار می‌کرد تا این‌که دنباله‌ای از حرکات را پیدا کردم که قوانین من پوشش نمی‌داد و می‌توانستم هر بار برنده شوم. مطمئن بودم که باید راهی وجود داشته باشد که به کامپیوتر نشان دهیم چگونه کارها را با نشان دادن مثال‌ها به جای کد و قوانین بی‌رحمانه انجام دهد: راهی برای این‌که کامپیوتر خودش یاد بگیرد.

به عنوان یک دانشجوی کارشناسی در اواخر دهه ۱۹۸۰، با هیجان برای یک دوره در هوش مصنوعی (AI) ثبت نام کردم. این دوره سرانجام به سؤال من در مورد نحوه نوشتن یک برنامه بازی دوز پاسخ داد، اما کامپیوتر در حال یادگیری نبود؛ بلکه هنوز فقط از یک الگوریتم هوشمند استفاده می‌کرد.

اتفاقاً، همان دوره به ما اطمینان داد که در حالی که انتظار می‌رفت روزی یک کامپیوتر بهترین بازیکن شطرنج جهان را شکست دهد (این اتفاق در سال ۱۹۹۷ افتاد)، اما شکست دادن بهترین انسان در یک بازی مانند Go برای یک کامپیوتر غیرممکن خواهد بود. در مارس ۲۰۱۶، برنامه یادگیری عمیق AlphaGo دقیقاً همین کار را کرد.

در سال ۲۰۰۳، در حالی که به عنوان مشاور برای یک شرکت محاسبات علمی کار می‌کردم، به پروژه‌ای با یک تولیدکننده بزرگ دستگاه‌های پزشکی اختصاص یافتم. هدف این بود که تصاویر سونوگرافی داخل عروقی شریان‌های کرونری را در زمان واقعی با استفاده از یادگیری ماشین طبقه‌بندی کنیم: یک زیرشاخه از هوش مصنوعی که به تنهایی از داده‌ها یاد می‌گیرد و مدل‌هایی را توسعه می‌دهد که به طور صریح توسط انسان برنامه‌ریزی نشده‌اند. این همان چیزی بود که من منتظرش بودم!

من به طور مبهم از یادگیری ماشین آگاه بودم و می‌دانستم که موجودات عجیبی به نام شبکه‌های عصبی وجود دارند که می‌توانند کارهای جالبی انجام دهند، اما عمدتاً، یادگیری ماشین یک حوزه تحقیقاتی کوچک بود و چیزی نبود که یک دانشمند کامپیوتر معمولی به آن توجه زیادی کند. با این حال، در طول پروژه، عاشق ایده آموزش یک ماشین برای انجام کاری مفید بدون نوشتن صریح کدهای زیاد شدم. حتی پس از پایان پروژه، به یادگیری خودم ادامه دادم.

حدود سال ۲۰۱۰، درگیر پروژه دیگری در زمینه یادگیری ماشین شدم، و زمان‌بندی عالی بود. مردم تازه شروع به بحث در مورد رویکرد جدیدی به یادگیری ماشین به نام یادگیری عمیق کرده بودند که شبکه‌های عصبی قدیمی را احیا کرد. وقتی سال ۲۰۱۲ فرا رسید، دروازه‌ها باز شد.

من به اندازه کافی خوش‌شانس بودم که در کنفرانس بین‌المللی یادگیری ماشین (ICML) سال ۲۰۱۲ در ادینبورگ، اسکاتلند، در اتاق حضور داشتم، زمانی که گوگل نتایج اولیه پیشگامانه یادگیری عمیق خود را که به گربه‌ها در ویدئوهای یوتیوب واکنش نشان می‌دادند، ارائه کرد. اتاق مملو از جمعیت بود. در نهایت، ۸۰۰ نفر در کنفرانس حضور داشتند. کنفرانس‌های اخیر به طور معمول بیش از ۱۰ هزار شرکت‌کننده دارند.

یادگیری ماشین و یادگیری عمیق از قبل بر زندگی ما تأثیر گذاشته‌اند. ظهور اخیر مدل‌های زبان بزرگ (فصل ۱۸) تضمین می‌کند که این تأثیرات با گذشت زمان فقط افزایش خواهند یافت. کتاب Practical Deep Learning برای کمک به شما در یادگیری اصول اساسی یادگیری ماشین و یادگیری عمیق وجود دارد.

کتاب Practical Deep Learning برای چه کسانی است؟

من این کتاب را برای خوانندگانی نوشتم که هیچ پیش‌زمینه‌ای در یادگیری ماشین ندارند، اما کنجکاو و مایل به آزمایش هستند. ریاضیات را به حداقل رسانده‌ام. هدف من کمک به شما در درک مفاهیم اصلی و ایجاد بینشی است که می‌توانید در ادامه از آن استفاده کنید.

در عین حال، نمی‌خواستم کتابی بنویسم که فقط به شما نحوه استفاده از ابزارهای موجود را آموزش دهد، اما از هر گونه محتوای واقعی در مورد چرا تهی باشد. در حالی که می‌توانید مدل‌ها را فقط با توجه به “چگونه” بسازید، بدون “چرا”، شما به جای درک، فقط طوطی‌وار تکرار خواهید کرد، چه رسد به این‌که با مشارکت‌های خود این حوزه را به جلو ببرید.

در مورد پیش‌فرض‌های من، فرض می‌کنم که شما با برنامه‌نویسی کامپیوتر به هر زبانی آشنایی دارید. زبان انتخابی برای یادگیری ماشین، چه دانشجو باشید و چه یک شرکت بزرگ، پایتون است، بنابراین این همان زبانی است که در کتاب Practical Deep Learning از آن استفاده خواهیم کرد.

همچنین فرض می‌کنم با ریاضیات دبیرستان آشنایی دارید، به استثنای حسابان. کمی حسابان به هر حال وارد می‌شود، اما شما باید بتوانید ایده‌ها را دنبال کنید، حتی اگر تکنیک ناآشنا باشد. همچنین فرض می‌کنم کمی آمار و احتمال مقدماتی را می‌دانید. اگر این مفاهیم برای شما جدید است، یا کمی فراموش کرده‌اید، فصل ۰ شامل یک خلاصه کوتاه است. همچنین می‌توانید با کتاب من “ریاضیات برای یادگیری عمیق” (No Starch Press, 2021) عمیق‌تر به این موضوعات بپردازید.

در نهایت، یادگیری عمیق در پایتون به شدت از کتابخانه NumPy استفاده می‌کند، که پایتون را با افزودن قابلیت‌های پردازش آرایه با سرعت بالا که به طور ایده‌آل برای برنامه‌نویسی علمی مناسب است، گسترش می‌دهد. اگر NumPy برای شما جدید است، یک آموزش کوتاه در سایت GitHub کتاب پیدا خواهید کرد، یا می‌توانید با کتاب “ابزارهای پایتون برای دانشمندان” نوشته لی واگان (No Starch Press, 2022) عمیق‌تر به آن بپردازید.

چه چیزی می‌توانید انتظار داشته باشید که یاد بگیرید؟

با کار کردن روی کتاب Practical Deep Learning به طور کامل، دانش و مهارت‌هایی برای ساخت و ارتقاء مجموعه‌داده‌ها، استفاده از تکنیک‌های یادگیری ماشین کلاسیک، کار با شبکه‌های عصبی، استفاده از شبکه‌های عصبی پیچشی (CNN) و آزمایش با روش‌های پیشرفته یادگیری عمیق را کسب خواهید کرد.

شما خواهید آموخت که چگونه تکنیک‌های یادگیری ماشین کلاسیک مانند نزدیک‌ترین همسایه K، جنگل‌های تصادفی و ماشین‌های بردار پشتیبان راه را برای شبکه‌های عصبی پیشرفته‌ای که در ادامه کتاب Practical Deep Learning یاد می‌گیرید توسعه دهید، هموار کردند.

با شروع از مدل‌های سنتی خوراک-رو به جلو که مستقیماً منجر به مدل‌های پیچشی شدند و کامپیوترها را قادر به تفسیر تصاویر کردند، نحوه ساخت شبکه‌های عصبی را از پایه بررسی خواهید کرد. علاوه بر این، نحوه ارزیابی مدل‌ها را برای قضاوت صحیح در مورد اثربخشی آن‌ها یاد خواهید گرفت.

همچنین شبکه‌های عصبی پیشرفته، از جمله معماری‌های استاندارد CNN برای طبقه‌بندی و تشخیص تصویر؛ چرا و چگونگی تنظیم دقیق و یادگیری انتقالی مورد استفاده برای استفاده از مدل‌های از پیش آموزش‌دیده؛ نحوه انجام تقسیم‌بندی معنایی برای برچسب‌گذاری هر پیکسل از یک تصویر؛ و چه زمانی از طبقه‌بندی چندبرچسبی برای شناسایی همه کلاس‌های موجود در یک ورودی استفاده کنید را بررسی خواهید کرد.

گاهی اوقات داده کافی وجود ندارد، و شما کشف خواهید کرد که در آن موقعیت‌ها، یادگیری خود نظارت شده آموزش مدل‌ها را با استفاده از داده‌های بدون برچسب که اغلب فراوان هستند، امکان‌پذیر می‌سازد.

در نهایت، در مورد هوش مصنوعی مولد در قالب شبکه‌های مولد رقابتی، پیش‌ساز ژنراتورهای تبدیل متن به تصویر، و نحوه کار با مدل‌های زبان بزرگ که به صورت محلی اجرا می‌شوند و جاسازی‌هایی که ارائه می‌دهند، خواهید آموخت.

کتاب Practical Deep Learning درباره یادگیری ماشین است: ساخت مدل‌هایی که داده‌های ورودی را دریافت می‌کنند و از آن داده‌ها به یک نتیجه‌گیری می‌رسند. این نتیجه‌گیری ممکن است یک برچسب باشد که شیء را در یک کلاس خاص از اشیاء قرار می‌دهد (مانند یک نوع خاص از سگ) یا یک مقدار خروجی پیوسته (مثلاً قیمتی که باید برای خانه‌ای با امکانات داده شده درخواست کرد). نکته کلیدی در اینجا این است که مدل به تنهایی از داده‌ها یاد می‌گیرد. در واقع، مدل با مثال یاد می‌گیرد.

مدل را به عنوان یک تابع ریاضی در نظر بگیرید، $y = f (x)$ ، که در آن $y$ خروجی، برچسب کلاس، یا مقدار پیوسته است، و $x$ مجموعه‌ای از ویژگی‌ها است که ورودی ناشناخته را نشان می‌دهد. ویژگی‌ها اندازه‌گیری‌ها یا اطلاعاتی درباره ورودی هستند که مدل می‌تواند برای یادگیری اینکه چه خروجی تولید کند، از آن‌ها استفاده کند.

به عنوان مثال، $x$ ممکن است یک بردار باشد که طول، عرض و وزن یک ماهی را نشان می‌دهد، که هر یک از این اندازه‌گیری‌ها یک ویژگی است. هدف ما یافتن $f$ است، یک نگاشت بین $x$ و $y$ که می‌توانیم از آن در نمونه‌های جدید $x$ که $y$ آن‌ها را نمی‌دانیم، استفاده کنیم.

روش استاندارد برای یادگیری $f$ این است که به مدل (یا الگوریتم) خود داده‌های شناخته شده بدهیم و مدل پارامترهایی را که برای تبدیل $f$ به یک نگاشت مفید نیاز دارد، یاد بگیرد. به همین دلیل به آن یادگیری ماشین می‌گویند: ماشین در حال یادگیری پارامترهای مدل است.

ما خودمان به قوانین فکر نمی‌کنیم و آن‌ها را در کد جای نمی‌دهیم. در واقع، برای برخی از انواع مدل مانند شبکه‌های عصبی، حتی مشخص نیست که مدل چه چیزی را یاد گرفته است، فقط می‌دانیم که مدل اکنون در سطح مفیدی عمل می‌کند.

یادگیری ماشین سه شاخه اصلی دارد: یادگیری نظارت شده، یادگیری بدون نظارت و یادگیری تقویتی. فرآیندی که من اکنون توضیح دادم تحت یادگیری نظارت شده قرار می‌گیرد، که در آن ما آموزش مدل را با مجموعه‌ای از مقادیر شناخته شده $x$ و $y$ ، یعنی مجموعه آموزشی، نظارت می‌کنیم.

ما چنین مجموعه‌داده‌ای را مجموعه‌داده برچسب‌گذاری شده می‌نامیم زیرا $y$ متناظر با هر $x$ را می‌دانیم. یادگیری بدون نظارت تلاش می‌کند تا پارامترهای مورد استفاده توسط مدل را فقط با استفاده از $x$ یاد بگیرد. ما در مورد یادگیری بدون نظارت در قالب مدل‌های خود نظارت شده و مولد بحث خواهیم کرد.

یادگیری تقویتی مدل‌ها را برای انجام وظایفی مانند بازی شطرنج یا Go آموزش می‌دهد. مدل مجموعه‌ای از اقدامات را برای انجام با توجه به وضعیت فعلی دنیای خود یاد می‌گیرد. این یک حوزه مهم در یادگیری ماشین است و اخیراً به سطح بالایی از موفقیت در وظایفی دست یافته است که زمانی تصور می‌شد منحصراً در قلمرو توانایی انسان قرار دارند.

با این حال، برای قابل مدیریت نگه داشتن کتاب، ما از یادگیری تقویتی به نفع مدل‌های هوش مصنوعی مولد مانند شبکه‌های مولد رقابتی، مدل‌های انتشار و مدل‌های زبان بزرگ مبتنی بر ترانسفورمر چشم‌پوشی خواهیم کرد.

خلاصه

کتاب Practical Deep Learning با فصل ۰ آغاز می‌شود که جزئیات محیط عملیاتی ما و مقدمات ریاضی مربوطه را شرح می‌دهد. به طور خاص، این فصل از کتاب Practical Deep Learning، به شما می‌گوید چگونه محیط کاری مورد نیاز خود را تنظیم کنید. همچنین شامل بخش‌هایی درباره بردارها، ماتریس‌ها، احتمال و آمار است که می‌توانید از آن‌ها برای مرور یا کسب اطلاعات پایه استفاده کنید.

بخش‌های اصلی کتاب Practical Deep Learning

بقیه کتاب به پنج بخش تقسیم شده است. بخش اول با تأکید بر اهمیت داده، زیربنای همه چیز را می‌سازد. در یادگیری عمیق، داده‌ها همه چیز هستند.

بخش اول: اهمیت داده‌ها

فصل ۱ کتاب Practical Deep Learning: همه چیز در مورد داده‌ها استمجموعه‌داده‌های بد منجر به مدل‌های بد می‌شوند؛ در این فصل به شما یاد خواهم داد که چه چیزی یک مجموعه‌داده خوب را می‌سازد.
فصل ۲: ساخت مجموعه‌داده‌هاشما مجموعه‌داده‌هایی را که در طول کتاب Practical Deep Learning استفاده می‌شوند، خواهید ساخت. همچنین یاد می‌گیرید که چگونه مجموعه‌داده‌ها را افزایش دهید.

بخش دوم: تکنیک‌های کلاسیک یادگیری ماشین

بخش دوم کتاب Practical Deep Learning شما را با تکنیک‌های کلاسیک یادگیری ماشین آشنا می‌کند. این تکنیک‌ها، که هنوز هم به خودی خود مفید هستند، شما را برای شبکه‌های عصبی و یادگیری عمیق آماده می‌کنند.

فصل ۳: مقدمه‌ای بر یادگیری ماشینبرای درک مسیری که می‌روید، دانستن اینکه از کجا آمده‌اید می‌تواند مفید باشد. در اینجا برخی از مدل‌های اصلی یادگیری ماشین را پوشش خواهیم داد.
فصل ۴: آزمایش با مدل‌های کلاسیکاین فصل به نقاط قوت و ضعف رویکرد قدیمی به یادگیری ماشین می‌پردازد. ما در طول کتاب Practical Deep Learning برای مقایسه به این نتایج اشاره خواهیم کرد.

بخش سوم: شبکه‌های عصبی و هسته یادگیری عمیق مدرن

بخش سوم کتاب Practical Deep Learning، شبکه‌های عصبی را معرفی می‌کند، که قلب یادگیری عمیق و هوش مصنوعی مدرن هستند. پایه و اساس ایجاد شده در این بخش مستقیماً به بقیه کتاب Practical Deep Learning منتقل می‌شود. مدل‌های پیشرفته شبکه عصبی ارائه شده در بخش‌های چهارم و پنجم، بسط‌هایی برای هسته شبکه عصبی هستند که در این فصل‌ها ارائه شده‌اند.

فصل ۵: مقدمه‌ای بر شبکه‌های عصبییادگیری عمیق مدرن تماماً در مورد شبکه‌های عصبی است؛ در اینجا آن‌ها را معرفی خواهم کرد.
فصل ۶: آموزش یک شبکه عصبیاین فصل از کتاب Practical Deep Learning، چالش‌برانگیز دانش لازم برای درک نحوه آموزش شبکه‌های عصبی را فراهم می‌کند. کمی حسابان پایه در این فصل گنجانده شده است، اما نترسید؛ در سطح بالایی مورد بحث قرار گرفته است تا به شما شهود بدهد، و نمادگذاری آنقدر که در ابتدا به نظر می‌رسد ترسناک نیست.
فصل ۷: آزمایش با شبکه‌های عصبیدر اینجا آزمایشاتی را انجام می‌دهیم تا با کار واقعی با داده‌ها آشنا شویم.
فصل ۸: ارزیابی مدل‌هابرای درک نتایج ارائه شده در مقالات، سخنرانی‌ها و درس‌های یادگیری ماشین، باید بدانید که چگونه مدل‌ها را ارزیابی کنید. این فصل از کتاب Practical Deep Learning شما را از طریق این فرآیند راهنمایی می‌کند.

بخش چهارم: شبکه‌های عصبی پیچشی (CNN)

بخش چهارم کتاب Practical Deep Learning، درباره شبکه‌های عصبی پیچشی آموزش می‌دهد، نوعی از مدل که انقلاب یادگیری عمیق را در سال ۲۰۱۲ آغاز کرد.

فصل ۹: مقدمه‌ای بر شبکه‌های عصبی پیچشییادگیری عمیقی که در کتاب Practical Deep Learning بر آن تمرکز خواهیم کرد، در ایده یک شبکه عصبی پیچشی (CNN) تجسم یافته است. این فصل بلوک‌های سازنده اصلی این شبکه‌ها را مورد بحث قرار می‌دهد.
فصل ۱۰: آزمایش با Keras و MNISTدر اینجا با آزمایش روی مجموعه داده MNIST، که اسب کاری یادگیری عمیق است، نحوه کار CNN‌ها را بررسی می‌کنیم.
فصل ۱۱: آزمایش با CIFAR-10مجموعه داده MNIST، هرچند مفید است، اما برای CNN‌ها ساده است. در اینجا ما یک مجموعه داده پرکاربرد دیگر، CIFAR-10 را بررسی می‌کنیم، که شامل تصاویر واقعی است و مدل‌های ما را به چالش می‌کشد.
فصل ۱۲: مطالعه موردی: طبقه‌بندی نمونه‌های صوتیمعرفی CNN‌ها را با یک مطالعه موردی به پایان می‌رسانیم. با یک مجموعه‌داده جدید، که به طور گسترده مورد استفاده نیست، شروع می‌کنیم و فرآیند ساخت یک مدل خوب برای آن را طی می‌کنیم. این فصل کتاب Practical Deep Learning، از هر آنچه در فصل‌های قبلی ارائه شده است، از ساخت و افزایش داده تا مدل‌های کلاسیک، شبکه‌های عصبی سنتی، CNN‌ها و مجموعه‌های مدل، استفاده می‌کند.

بخش پنجم: تکنیک‌های پیشرفته یادگیری عمیق

بخش پنجم کتاب Practical Deep Learning، فصل‌های جدیدی را ارائه می‌دهد که جزئیات تکنیک‌های پیشرفته یادگیری عمیق را شرح می‌دهند، از معماری‌های پیشرفته CNN تا تنظیم دقیق و یادگیری انتقالی، که به ما امکان می‌دهد از یادگیری کپسوله شده در شبکه‌های از پیش آموزش‌دیده استفاده کنیم.

فصل‌های اضافی کتاب Practical Deep Learning، به آزمایش با تکنیک‌های محلی‌سازی، یادگیری خود نظارت شده، مدل‌های مولد رقابتی برای ایجاد تصویر، و مدل‌های زبان بزرگ که در سال‌های اخیر جهشی کوانتومی در هوش مصنوعی بوده‌اند، می‌پردازند.

فصل ۱۳: معماری‌های پیشرفته CNNCNN‌های بخش چهارم پایه و اساس معماری‌های پیشرفته‌تر CNN را که در حال حاضر برای وظایف بینایی کامپیوتر استفاده می‌شوند، تشکیل می‌دهند. در این فصل از کتاب Practical Deep Learning، با برخی از این شبکه‌های پیشرفته آشنا خواهید شد.
فصل ۱۴: تنظیم دقیق و یادگیری انتقالیهمیشه نیازی نیست که مدل‌ها را از ابتدا آموزش دهیم. این فصل از کتاب Practical Deep Learning، به تنظیم دقیق و یادگیری انتقالی، از جمله تفاوت بین این دو، و اینکه چگونه آن‌ها امکان ساخت مدل‌ها را با استفاده از مدل‌های از پیش آموزش‌دیده بر روی مجموعه‌داده‌های دیگر به عنوان پایه فراهم می‌کنند، می‌پردازد.
فصل ۱۵: از طبقه‌بندی تا محلی‌سازیدر حالی که دانستن اینکه گربه‌ای در یک تصویر وجود دارد خوب است، دانستن اینکه کجای تصویر قرار دارد (تشخیص) و برچسب‌گذاری هر پیکسل تصویر (تقسیم‌بندی معنایی) حتی بهتر است. این‌ها اهداف این فصل کتاب Practical Deep Learning هستند، با طبقه‌بندی چندبرچسبی نیز برای تکمیل بحث.
فصل ۱۶: یادگیری خود نظارت شدهبرچسب‌گذاری مجموعه‌داده‌ها در بهترین حالت خسته‌کننده و گاهی عملاً غیرممکن است. این فصل از کتاب Practical Deep Learning، یک مورد استفاده نوظهور را بررسی می‌کند که در آن مدل‌ها از داده‌های بدون برچسب از طریق برچسب‌های پراکسی خودکار یاد می‌گیرند.
فصل ۱۷: شبکه‌های مولد رقابتیبسیاری از چشمگیرترین دستاوردهای یادگیری عمیق، حداقل تا حدی، به دلیل شبکه‌های مولد رقابتی (GAN) هستند. در این فصل، GAN‌ها را بررسی می‌کنیم تا نحوه کار آن‌ها را درک کنیم.
فصل ۱۸: مدل‌های زبان بزرگظهور مدل‌های زبان بزرگ قدرتمند (LLMs) در پاییز ۲۰۲۲، مانند ChatGPT، عصر جدیدی را در هوش مصنوعی آغاز کرده است. این فصل LLM‌ها و معماری ترانسفورمر که بر پایه آن‌ها هستند را بررسی می‌کند، قبل از آزمایش با LLM‌ها در اندازه‌های مختلف، از آن‌هایی که روی دسکتاپ فقط CPU شما جا می‌شوند تا مدل‌های پیشرفته.

سرفصل‌های کتاب Practical Deep Learning:

Cover Page
Title Page
Copyright Page
Dedication Page
About the Author
About the Technical Reviewer
BRIEF CONTENTS
CONTENTS IN DETAIL
FOREWORD TO THE FIRST EDITION
ACKNOWLEDGMENTS
INTRODUCTION
0 ENVIRONMENT AND MATHEMATICAL PRELIMINARIES
PART I DATA IS EVERYTHING
- 1 IT’S ALL ABOUT THE DATA
- 2 BUILDING THE DATASETS
PART II CLASSICAL MACHINE LEARNING
- 3 INTRODUCTION TO MACHINE LEARNING
- 4 EXPERIMENTS WITH CLASSICAL MODELS
PART III NEURAL NETWORKS
- 5 INTRODUCTION TO NEURAL NETWORKS
- 6 TRAINING A NEURAL NETWORK
- 7 EXPERIMENTS WITH NEURAL NETWORKS
- 8 EVALUATING MODELS
PART IV CONVOLUTIONAL NEURAL NETWORKS
- 9 INTRODUCTION TO CONVOLUTIONAL NEURAL NETWORKS
- 10 EXPERIMENTS WITH KERAS AND MNIST
- 11 EXPERIMENTS WITH CIFAR-10
- 12 A CASE STUDY: CLASSIFYING AUDIO SAMPLES
PART V ADVANCED NETWORKS AND GENERATIVE AI
- 13 ADVANCED CNN ARCHITECTURES
- 14 FINE-TUNING AND TRANSFER LEARNING
- 15 FROM CLASSIFICATION TO LOCALIZATION
- 16 SELF-SUPERVISED LEARNING
- 17 GENERATIVE ADVERSARIAL NETWORKS
- 18 LARGE LANGUAGE MODELS
AFTERWORD
INDEX

جهت دانلود کتاب Practical Deep Learning می‌توانید پس از پرداخت، دریافت کنید.

فرمت کتاب	epub
ویرایش	Second
ISBN	978-1-7185-0421-9
تعداد صفحات	584
انتشارات	No Starch Press
سال انتشار	2025
حجم	25.51 مگابایت
نویسنده	Ronald T. Kneusel

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب Practical Deep Learning”

کتاب Practical Deep Learning

خرید کتاب Practical Deep Learning:

مقدمه‌ای بر کتاب Practical Deep Learning:

سرفصل‌های کتاب Practical Deep Learning:

دیدگاهها

خرید کتاب Practical Deep Learning:

دسته‌یندی کتاب‌ها:

کتاب های پیشنهادی:

دسته بندی پیشنهادی

اعتبار ما: