کتاب Deep Learning and Physics یا یادگیری عمیق و فیزیک سعی دارد رابطه‌ی بین علم فیزیک و یادگیری عمیق را شرح دهد. این کتاب در 13 فصل به صورت مفصل به شرح تئوری‌های فیزیک و رابطه‌ی آن با یادگیری عمیق می‌پردازد.
در ادامه مقدمه‌ای از کتاب Deep Learning and Physics را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Deep Learning and Physics:
یادگیری عمیق برای کسانی که می‌خواهند فیزیک بخوانند چیست؟ آیا با فیزیک کاملاً متفاوت است؟ یا واقعا شبیه است؟
در سال‌های اخیر، یادگیری ماشین، از جمله یادگیری عمیق، در مطالعات مختلف فیزیک مورد استفاده قرار گرفته است. چرا اینطور است؟ آیا دانستن فیزیک در یادگیری ماشین مفید است؟ برعکس، آیا دانستن یادگیری ماشین در فیزیک مفید است؟
کتاب Deep Learning and Physics به پاسخ به این سؤالات اختصاص یافته است. با شروع با ایده‌های اساسی فیزیک، شبکه‌های عصبی به طور طبیعی مشتق شده اند. و شما می توانید مفاهیم یادگیری عمیق را از طریق کلمات فیزیک بیاموزید.
بیشتر بخوانید: کتاب Math for Deep Learning
در واقع، اساس یادگیری ماشین را می‌توان به مفاهیم فیزیکی نسبت داد. همیلتونی ها که سیستم های فیزیکی را تعیین می کنند ساختارهای مختلف یادگیری ماشین را مشخص می کنند. فیزیک آماری ارائه شده توسط همیلتونی‌ها، یادگیری ماشین را توسط شبکه‌های عصبی تعریف می‌کند. علاوه بر این، حل مسائل معکوس در فیزیک از طریق یادگیری ماشین و تعمیم اساساً پیشرفت و حتی انقلاب در فیزیک را فراهم می‌کند. به همین دلایل، در سال‌های اخیر، تحقیقات بین رشته‌ای در یادگیری ماشین و فیزیک به طور چشم‌گیری گسترش یافته است.
کتاب Deep Learning and Physics برای هر کسی نوشته شده است که می‌خواهد رابطه بین یادگیری عمیق/یادگیری ماشینی و فیزیک را بداند، بیاموزد و به کار ببرد. تنها چیزی که برای خواندن این کتاب نیاز دارید، مفاهیم اولیه در فیزیک است: انرژی و همیلتونی‌ها. مکانیک آماری و نشان‌گذاری براکت مکانیک کوانتومی، که در ستون‌ها معرفی شده‌اند، برای توضیح چارچوب‌های یادگیری عمیق استفاده می‌شوند.
این کتاب به دو بخش تقسیم شده است. بخش اول به درک روش یادگیری ماشین از منظر فیزیک می‌پردازد و بخش دوم به بررسی رابطه بین مسائل مختلف در فیزیک و روش یادگیری ماشین می‌پردازد. یعنی قسمت اول به عنوان کتاب درسی نوشته شده است، اما قسمت دوم کتاب درسی نیست، مجموعه ای از مباحث پیشرفته اخیر است (و بنابراین، فصل‌های قسمت دوم تقریباً مستقل قابل خواندن هستند). لطفاً به راهنمای خواننده در ابتدای هر بخش مراجعه کنید.
یک فیزیکدان مشهور به نام رییو اوچیاما در مقدمه کتاب خود، نظریه نسبیت گفت: “اگر این کتاب را می خوانید و آن را نمی فهمید، باید از یادگیری نظریه نسبیت دست بکشید.” از سوی دیگر، رشته «یادگیری ماشین × فیزیک» که موضوع این کتاب است، رشته‌ای است که در طول تاریخ طولانی مانند نظریه نسبیت ایجاد شده است، بلکه حوزه‌ای تحقیقاتی است که هنوز در حال پیشرفت زیادی است. بنابراین، پیام ما این است: “اگر این کتاب را بخوانید و آن را درک نکنید، بذری برای توسعه در آینده خواهد بود.”
یکی از موارد مورد علاقه ما عبارت اس. واینبرگ، فیزیکدان ذرات است:
“توصیه من این است که به سمت آشفتگی بروید – این جایی است که عمل است.”
این به خوانندگان بستگی دارد که راه خود را بسازند. امیدواریم این کتاب به خوانندگان در یادگیری و مطالعه کمک کند.
سرفصل‌های کتاب Deep Learning and Physics:
- 1 Forewords: Machine Learning and Physics
- Part I Physical View of Deep Learning
- 2 Introduction to Machine Learning
- 3 Basics of Neural Networks
- 4 Advanced Neural Networks
- 5 Sampling
- 6 Unsupervised Deep Learning
- Part II Applications to Physics
- 7 Inverse Problems in Physics
- 8 Detection of Phase Transition by Machines
- 9 Dynamical Systems and Neural Networks
- 10 Spinglass and Neural Networks
- 11 Quantum Manybody Systems, Tensor Networks and Neural Networks
- 12 Application to Superstring Theory
- 13 Epilogue
- Bibliography
- Index
فایل کتاب Deep Learning and Physics را می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.