کتاب Practical MATLAB Deep Learning از جدیدترین کتاب‌های آموزش نرم‌افزار مهندسی MATLAB در زمینه یادگیری عمیق یا همان Deep Learning است. در این کتاب به فراگیری ابزارهای MATLAB برای یادگیری عمیق، پیاده‌سازی الگوریتم‌های یادگیری عمیق در متلب و مثال‌های جالبی از کاربرد آن در زمینه پیش‌بینی قیمت سهام و یا طبقه‌بندی عکس‌ها بر اساس معیارهای مختلف خواهید پرداخت. کتاب Practical MATLAB Deep Learning در حدود 600 صفحه بوده و چاپ سال 2020 از انتشارات بین‌المللی Apress می‌باشد.
شما می‌توانید برای یادگیری تخصصی یادگیری عمیق از کتاب Deep Learning Pipeline استفاده کنید.
کاربردهای MATLAB برای یادگیری عمیق:
نرم‌افزار مهندسی MATLAB یکی از پیشرفته‌ترین نرم‌افزارها در زمینه انواع کارهای علمی، مهندسی در شاخه‌های مختف است. در زمینه یادگیری عمیق این نرم‌افزار با جعبه ابزاری شامل این نرم‌افزارها به میدان آمده است که در کتاب Practical MATLAB Deep Learning با توجه به فصول مختلف به آن پرداخته شده است. در بخش بعدی به تفسیر برخی از ابزارها به همراه فصول آن ابزار در کتاب می‌پردازیم.
-
Deep Learning Toolbox
جعبه ابزار یادگیری عمیق به شما امکان طراحی، ساخت و تجسم شبکه‌های عصبی همگشتی را می‌دهد. شما می‌توانید شبکه‌های عصبی از پیش آموزش دیده موجود در وب مانند GoogLeNet ،VGG-16 ،VGG_19 ،AlexNet و ResNet-59 را پیاده‌سازی کنید. GoogLeNet و AlexNet شبکه‌های طبقه‌بندی و دسته‌بندی تصویر هستند و در فصل 11 به آنها پرداخته شده است. جعبه ابزار یادگیری عمیق دارای قابلیت‌های گسترده‌ای برای تجسم و اشکال‌زدایی از شبکه‌های عصبی است. ابزارهای اشکال‌زدایی (Debugging) برای اطمینان از عملکرد صحیح سیستم و کمک به شما در درک آنچه در داخل شبکه عصبی شما اتفاق می‌افتد، مهم هستند. این ابزار شامل تعدادی از مدل‌های از پیش آموزش دیده است. در این کتاب در اکثر مثال‌ها از این جعبه ابزار استفاده خواهد شد.
-
Instrument Control Toolbox
جعبه کنترل ابزار MATLAB برای اتصال مستقیم دیگر ابزارها طراحی شده است. این کار استفاده از MATLAB را با سخت‌افزار ساده می‌کند. به عنوان مثال می‌توان به اسیلوسکوپ، مولد عملکرد و منابع تغذیه اشاره کرد. جعبه کنترل ابزار ازTCP / IP ،UDP ،I2C ، SPI و بلوتوث پشتیبانی می‌کند. با جعبه کنترل ابزار، می‌توانید MATLAB را مستقیماً در گردش کار آزمایشگاه خود ادغام کنید بدون اینکه نیازی به نوشتن درایورها یا ایجاد پرونده‌های تخصصی MEX داشته باشید. این کتاب از قابلیت بلوتوث با IMU استفاده شده است.
-
Statistics and Machine Learning Toolbox
جعبه ابزار آماری و یادگیری ماشین، روش‌های تجزیه و تحلیل داده‌ها را برای جمع‌آوری روندها و الگوها از حجم داده‌های عظیم فراهم می‌کند. این روش‌ها برای تجزیه و تحلیل داده‌ها به مدل نیاز ندارند. توابع جعبه ابزار را می‌توان به طور کلی به ابزارهای طبقه‌بندی، ابزار رگرسیون و خوشه‌بندی تقسیم کرد. آمار پایه و اساس بسیاری از یادگیری‌های عمیق است.
از روش‌های طبقه‌بندی برای قرار دادن داده‌ها در دسته‌های مختلف استفاده می‌شود. به عنوان مثال، از داده‌ها، به صورت تصویر، می‌توان برای طبقه‌بندی تصویری از اندام به عنوان تومور استفاده کرد. طبقه‌بندی برای تشخیص دست خط، امتیازدهی اعتبار و شناسایی چهره استفاده می‌شود. روش‌های طبقه‌بندی شامل ماشین‌های بردار پشتیبانی (SVM)، درختان تصمیم‌گیری و شبکه‌های عصبی است.
روش‌های رگرسیون به شما امکان می‌دهد از داده‌های فعلی برای پیش‌بینی داده‌های آینده مدل بسازید. سپس مدل‌ها می‌توانند با در دسترس قرار دادن داده‌های جدید به روز شوند. اگر از داده‌ها فقط یک‌بار برای ایجاد مدل استفاده شود، این یک روش دسته‌ای است. یک روش رگرسیون که همزمان با در دسترس بودن داده‌ها را در خود جای می‌دهد، یک روش بازگشتی است.
خوشه‌بندی گروه‌بندی‌های طبیعی را در داده‌ها پیدا می‌کند. تشخیص اشیا کاربرد روش‌های خوشه‌بندی است. به عنوان مثال، اگر می‌خواهید اتومبیلی را در یک تصویر پیدا کنید، به دنبال داده‌هایی می‌گردید که با بخشی از تصویر مرتبط باشد. در حالی که اتومبیل‌ها از اشکال و اندازه‌های مختلفی برخوردار هستند، اما ویژگی‌های مشترک بسیاری دارند. خوشه‌بندی همچنین می‌تواند با گرایش‌ها و مقیاس‌گذاری‌های مختلف مقابله کند.
جعبه ابزار عملکردهای بسیاری برای پشتیبانی از این مناطق دارد و بسیاری از موارد که به طور دقیق در این دسته‌ها قرار نمی‌گیرند. جعبه ابزار آماری و یادگیری ماشین، ابزارهای حرفه‌ای را فراهم می‌کند که به طور یکپارچه در محیط MATLAB ادغام شده‌اند.
-
Neural Network Toolbox
این جعبه ابزار توسط Masayuki Tanaka برای شبکه‌های باور عمیق جهت ارائه ماشین‌های محدود بولتزمن را فراهم می‌کند. این قابلیت برای یادگیری بدون نظارت و با نظارت کاربرد دارد. این ابزار از طریق تبادل پرونده MathWorks یا MathWorks File Exchange در دسترس است.
-
Computer Vision System Toolbox
جعبه ابزار سیستم بینایی رایانه‌ای MATLAB توابع توسعه سیستم‌های بینایی رایانه را فراهم می‌کند. این جعبه ابزار پشتیبانی گسترده‌ای را برای پردازش ویدئو فراهم می‌کند. این ابزارها شامل توابعی برای تشخیص و استخراج ویژگی‌های ویدئو هستند که قبل از استفاده گسترده از یادگیری عمیق، تشخیص ویژگی اساسی برای شناسایی تصویر بود. همچنین از دید سه‌بعدی پشتیبانی می‌کند و می‌تواند اطلاعات دوربین‌های استریو را پردازش کند. تشخیص حرکت سه‌بعدی پشتیبانی می‌شود.
-
Image Acquisition Toolbox
جعبه ابزار فراگیری تصویر MATLAB توابع اتصال دوربین مستقیماً به MATLAB را بدون نیاز به نرم‌افزار واسطه یا استفاده از برنامه‌هایی که دارای دوربین‌های زیادی هستند را فراهم می‌کند. برای تعامل مستقیم با حسگرها می‌توانید از این بسته استفاده کنید. این ابزار پشتیبانی از عملیات فراگیری در پیش‌زمینه و پس‌زمینه را فراهم می‌آورد. جعبه ابزار از تمام استانداردها و فروشندگان عمده سخت‌افزار پشتیبانی می‌کند. این ابزار طراحی نرم‌افزار پردازش تصویر با یادگیری عمیق با استفاده از داده‌های واقعی را آسان می‌کند.
جعبه ابزار فراگیری تصویر از USB3 Vision ،GigE Vision و GenICam GenTL پشتیبانی می‌کند. می‌توانید به Velodyne LiDAR®sensors، دوربین‌های بینایی ماشین، قاب‌گیرها و همچنین دستگاه‌های پیشرفته علمی و صنعتی متصل شوید. USB3 به شما امکان کنترل قابل توجهی بر دوربین را می‌دهد و در فصل 7 استفاده می‌شود.
-
Parallel Computing Toolbox
جعبه ابزار محاسبات موازی به شما این امکان را می‌دهد که از پردازنده‌های چند هسته‌ای، واحدهای پردازش گرافیکی (GPU) و خوشه‌های رایانه‌ای با نرم‌افزار MATLAB پیاده‌سازی کنید. به شما این امکان را می‌دهد الگوریتم‌ها را با استفاده از موازی‌سازی در زبان‌های برنامه‌نویسی سطح بالا پیاده‌سازی کنید.به عنوان مثال حلقه‌های for را به راحتی موازی کنید. برخی از عملکردها در جعبه ابزار یادگیری عمیق می‌توانند از پردازنده‌های گرافیکی و پردازش موازی استفاده کنند. مثالی از استفاده احتمالی GPU در فصل 10 این کتاب وجود دارد.
-
Text Analytics Toolbox
جعبه ابزار تجزیه و تحلیل متن، الگوریتم‌ها و تجسم‌هایی را برای کار با داده‌های متنی فراهم می‌کند. مدل‌های ایجاد شده با این جعبه ابزار را می‌توان در برنامه‌هایی مانند تجزیه و تحلیل احساسات، نگهداری پیش‌بینی و مدل‌سازی موضوع استفاده کرد. این جعبه ابزار شامل ابزارهایی برای پردازش متن خام از منابع مختلف است. می‌توانید کلمات منفرد را استخراج کنید، متن را به نمایش عددی تبدیل کنید و مدل‌های آماری بسازید. این ابزار یک مکمل مفید برای یادگیری عمیق است.
سرفصل‌های کتاب Practical MATLAB Deep Learning:
- What Is Deep Learning?
- MATLAB Machine Learning Toolboxes
- Finding Circles with Deep Learning
- Classifying Movies
- Algorithmic Deep Learning
- Tokamak Disruption Detection
- Classifying a Pirouette
- Completing Sentences
- Terrain-Based Navigation
- Stock Prediction
- Image Classification
- Orbit Determination
فایل کتاب Practical MATLAB Deep Learning را می‌توانید پس از پرداخت دانلود کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.