کتاب Probabilistic Machine Learning An Introduction

کتاب Probabilistic Machine Learning An Introduction از بهترین منابع یادگیری ماشین برای نوآموزان است. این کتاب مقدمه‌ای بر احتمالات در علم یادگیری ماشین است که در 6 قسمت مختلف به شرح آن می‌پردازد. همچنین از جدیدترین کتاب‌های حوزه‌ی یادگیری ماشین و توابع آن است.

در ادامه مقدمه‌ای از کتاب Probabilistic Machine Learning An Introduction را از زبان نویسنده کتاب شرح خواهیم داد.

مقدمه‌ای بر کتاب Probabilistic Machine Learning An Introduction:

در سال 2012، من یک کتاب 1200 صفحه‌ای به نام “یادگیری ماشین: یک چشم‌انداز احتمالی” منتشر کردم، که پوشش کاملی جامع از زمینه یادگیری ماشین (ML) در آن زمان، تحت لنز وحدت بخش مدل‌سازی احتمالی ارائه می‌داد. این کتاب با استقبال خوبی روبرو شد و در سال 2013 جایزه De Groot را از آن خود کرد. سال 2012 نیز عموماً آغاز “انقلاب یادگیری عمیق” تلقی می‌شود.

اصطلاح “یادگیری عمیق” به شاخه‌ای از ML اطلاق می‌شود که بر پایه شبکه‌های عصبی با لایه‌های متعدد است (بنابراین اصطلاح “عمیق”). اگرچه این فناوری اساسی سال‌ها بود که وجود داشت، در سال 2012 بود که [KSH12] از شبکه‌های عصبی عمیق (DNN) برای برنده شدن در چالش طبقه‌بندی تصویر ImageNet با چنین حاشیه بزرگی استفاده کرد که توجه جامعه را به خود جلب کرد.

کارهای مرتبط در همان زمان در چندین مقاله دیگر از جمله [Cir+10؛ Cir+11؛ Hin+12]. این پیشرفت‌ها با پیشرفت در فناوری سخت‌افزار (به ویژه استفاده مجدد از واحدهای پردازش گرافیکی سریع از بازی‌های ویدئویی به یادکیری ماشین)، فناوری جمع‌آوری داده‌ها (به ویژه استفاده از منابع جمع‌آوری شده برای جمع‌آوری مجموعه داده‌های بزرگ با برچسب مانند ImageNet) امکان‌پذیر شد. و همچنین ایده‌های مختلف جدید الگوریتمی از سال 2012، زمینه یادگیری عمیق منفجر شده است و پیشرفت‌های جدیدی با سرعت فزاینده‌ای در حال پیشرفت است.

علاقه به این زمینه نیز افزایش یافته است، که ناشی از موفقیت تجاری این فناوری و وسعت کاربردهایی است که می‌توان از آن استفاده کرد. بنابراین، در سال 2018، تصمیم گرفتم چاپ دوم کتابم را بنویسم، تا سعی کنم برخی از این پیشرفت‌ها را خلاصه کنم.

تا مارس 2020، پیش‌نویس نسخه دوم من به حدود 1600 صفحه متورم شده بود، و هنوز کارم تمام نشده بود. سپس بیماری کووید -19 فراگیر شد. تصمیم گرفتم نوشتن کتاب Probabilistic Machine Learning An Introduction را متوقف کنم و در جهت کمک به پروژه‌های مختلف COVID-19 “محور” باشم (به عنوان مثال [MKS21؛ Wah+21] مراجعه کنید). با این حال، در پاییز، زمانی که این پروژه‌ها چرخه‌های کمتری از من می‌گرفتند، تصمیم گرفتم سعی کنم کتاب را به پایان برسانم.

برای جبران زمان از دست رفته، از چندین همکار خواستم که به من کمک کنند تا 10 ∼ آخرین “محتوای از دست رفته” را به پایان برسانم. (در اینجا تأییدها را ببینید.) در همین حال، MIT Press به من گفت که نمی‌توانند کتاب 1600 صفحه‌ای را منتشر کنند، و من باید آن را به دو جلد تقسیم کنم.

نتیجه همه این‌ها دو کتاب جدید است، “یادگیری ماشین احتمالی: مقدمه”، که در حال حاضر آن را می‌خوانید، و “یادگیری ماشین احتمالی: موضوعات پیشرفته”، که دنباله کتاب Probabilistic Machine Learning An Introduction است [Mur22].

این دو کتاب با هم تلاش می‌کنند تا پوشش وسیعی از زمینه ML c را ارائه دهند. 2021، با استفاده از همان عدسی متحدکننده مدل‌سازی احتمالی و نظریه تصمیم‌گیری بیزی که در کتاب اول استفاده کردم.

بیشتر محتوای کتاب اول یعنی کتاب Probabilistic Machine Learning An Introduction، مجدداً استفاده شده است، اما اکنون بین دو کتاب جدید به طور مساوی تقسیم شده است. علاوه بر این، هر کتاب دارای مطالب جدید زیادی است که برخی از موضوعات مربوط به یادگیری عمیق را پوشش می‌دهد، اما پیشرفت‌هایی را در بخش‌های دیگر این زمینه، مانند مدل‌های مولد، استنباط تنوع و یادگیری تقویتی، پوشش می‌دهد.

برای اینکه کتاب Probabilistic Machine Learning An Introduction خودآموزتر و مفیدتر برای دانش‌آموزان باشد، مطالبی را نیز در زمینه‌هایی مانند بهینه‌سازی و جبر خطی اضافه کرده‌ام که به دلیل کمبود فضا از کتاب اول حذف شده است.

مطالب پیشرفته، که می‌توانند در طول دوره مقدماتی حذف شوند، با عنوان * در عنوان بخش یا فصل مشخص شده است.

در آینده، امیدواریم نمونه برنامه‌های درسی و اسلایدها را به صورت آنلاین ارسال کنیم. تغییر عمده دیگر این است که تقریباً همه نرم‌افزارها از Python به جای Matlab استفاده می‌کنند. (در آینده، ما امیدواریم که یک نسخه جولیا از کد داشته باشیم.) کد جدید از کتابخانه‌های استاندارد پایتون مانند numpy ،scipy ،scikit-learn و غیره استفاده می‌کند.

بیشتر بخوانید: کتاب Numerical Python

برخی از نمونه‌ها نیز بر کتابخانه‌های مختلف یادگیری عمیق، مانند TensorFlow تکیه می‌کنند. PyTorch و JAX. علاوه بر کد ایجاد همه شکل‌ها، دفترچه‌های تکمیلی Jupyter برای همراهی هر فصل وجود دارد که در مورد جنبه‌های عملی که در متن اصلی فضا نداریم بحث می‌کنیم. جزئیات را می‌توانید در probml.ai پیدا کنید.

سرفصل‌های کتاب Probabilistic Machine Learning An Introduction:

• Introduction 1
• I Foundations
  • 2 Probability: univariate models
  • 3 Probability: multivariate models
  • 4 Statistics
  • 5 Decision theory
  • 6 Information theory
  • 7 Linear algebra
  • 8 Optimization
• II Linear models
  • 9 Linear discriminant analysis
  • 10 Logistic regression
  • 11 Linear regression
  • 12 Generalized linear models *
• III Deep neural networks
  • 13 Neural networks for unstructured data
  • 14 Neural networks for images
  • 15 Neural networks for sequences
• IV Nonparametric models
  • 16 Exemplar-based methods
  • 17 Kernel methods
  • 18 Trees, forests, bagging and boosting
• V Beyond supervised learning
  • 19 Learning with fewer labeled examples
  • 20 Dimensionality reduction
  • 21 Clustering
  • 22 Recommender systems
  • 23 Graph embeddings *
• VI Appendix
• A Notation
• Bibliography

فایل کتاب Probabilistic Machine Learning An Introduction را می‌توانید پس از پرداخت، دریافت کنید.