کتاب Essentials of Deep Learning and AI

کتاب Essentials of Deep Learning and AI (ملزومات یادگیری عمیق و هوش مصنوعی: یادگیری بدون نظارت، رمزگذارهای خودکار، مهندسی ویژگی‌ها و تجزیه و تحلیل سری‌های زمانی را با TensorFlow، Keras و scikit-learn تجربه کنید.) تلفیقی از علم یادگیری عمیق و هوش مصنوعی است. این کتاب در 14 فصل به شما ارتباط این دو علم را شرح داده و مطالب مربوط به این دو را آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Essentials of Deep Learning and AI را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Essentials of Deep Learning and AI:

هوش مصنوعی در همه بخش‌های صنعت گسترش یافته است. راه حل‌های تجاری را برای مشکلات موجود جدا از ارائه فرصت‌ها و راه‌های جدید فعال کرده است. در نتیجه، جامعه فنی با درجه متفاوتی از تخصص و قرار گرفتن در معرض فن آوری‌های زیربنایی، علاقه‌مند به یادگیری سریع وضعیت هنر و اتخاذ راه حل‌های مشابه خواهند بود.

در حالی که محتوای موجود در حوزه عمومی تا حدی اطلاعات مورد نیاز را در اختیار آنها قرار می‌دهد، اطلاعات بسیار بیشتری نیز در اختیار آنها قرار می‌دهد. کاربر تمرکز خود را از دست می‌دهد و در نهایت ممکن است اطلاعات دقیق را دریافت نکند.

امروز هیچ راه حل توقف واحدی برای مشکل وجود ندارد. این کتاب نوشته شده است تا با ارائه مستقیم اطلاعات مورد نیاز، بار کاربر را تا حد زیادی کاهش دهد. بر این اساس، همه بخش‌ها به گونه‌ای سازماندهی شده‌اند که تا آنجا که ممکن است مستقل باشند و محتوای دقیق مورد نظر خواننده را ارائه دهند. سازماندهی کتاب به چندین ماژول مستقل تقسیم شده است تا آن را خواناتر کند.

در هر فصل، نمونه‌ها و کدهای کافی برای امتحان کردن خواننده ارائه شده است. برنامه‌ها ممکن است به طور مستقیم بر روی پلتفرم‌های مشخص شده برای مشاهده نتایج اجرا شوند. منبع داده‌های مورد نیاز برای توسعه مدل‌ها، مدل‌های از پیش آموزش دیده و تنظیمات پارامترهای قابل تنظیم برای به دست آوردن خروجی بهینه به تفصیل آمده است.

مطالعات موردی ارائه شده در فصول بیانگر مشکلات تجاری معاصر و رویکردهای راه حل نیز در کتاب به تفصیل آمده است. این کتاب به طور کلی شامل 14 فصل است. جزئیات پوشش داده شده در هر فصل در زیر ارائه شده است.

کتاب Essentials of Deep Learning and AI برای چه افرادی است؟

این کتاب بیشتر مربوط به خوانندگانی است که در موقعیت‌های مختلف فناوری اطلاعات مانند توسعه دهندگان، مدیران، رهبران کسب و کار، دانشمندان داده، مهندسان یادگیری ماشین و موارد مشابه کار می‌کنند. حتی کارشناسان/کاربران با تجربه AI/ML می‌توانند از مطالب ارزشمند این کتاب استفاده کنند. همچنین به موضوعات پیشرفته در فناوری‌های AI/ML و DL می‌پردازد.

این کتاب به چه سوالاتی پاسخ می‌دهد؟

در تهیه کتاب Essentials of Deep Learning and AI، ما نویسندگان با بسیاری از کارشناسان دانشگاهی و صنعتی از هر طبقه صحبت کردیم. در زیر برخی از سوالاتی که می خواستیم برجسته کنیم، آمده است،

درک اولیه از ساخت شبکه عصبی، مفاهیم هوش مصنوعی تا حد امکان ساده توضیح داده شده است.

ما می‌خواهیم به این نکته اشاره کنیم که چرا باید برای یادگیری این فناوری‌ها وقت گذاشت.

روش‌های متعدد یادگیری مفاهیم و فناوری‌ها به روشی ساده شرح داده شده‌اند.

فصل 1 کتاب Essentials of Deep Learning and AI، این فصل مروری کلی و تکامل تاریخی فناوری‌های هوش مصنوعی مورد استفاده در بخش‌های مختلف صنعت را ارائه می‌کند. ترجیحات کاربر و همچنین وضعیت عاطفی پویا را در نظر می‌گیرد. در مورد طبقه بندی گسترده AI، ML و DL خلاصه می‌شود. این فصل استفاده از هوش مصنوعی را در حوزه‌ها و بخش‌های مختلف صنعت پوشش می‌دهد. ابزارها و فریمورک‌های انتها به انتها (End to End) مورد استفاده در چرخه حیات هوش مصنوعی پوشش داده شده است. مجموعه داده‌های مختلف مورد استفاده برای ساخت مدل‌های ML و DL شرح داده شده است.

فصل 2 کتاب Essentials of Deep Learning and AI، این فصل یکی از محبوب‌ترین کلاس‌های الگوریتم‌های مورد استفاده در یادگیری ماشینی تحت نظارت را توصیف می‌کند. این فصل روش‌های مختلف استخراج داده‌ها، حاشیه نویسی داده‌ها و پیش‌بینی بهتر را شرح می‌دهد. تشخیص کاراکتر نوری که به طور گسترده در صنعت استفاده می‌شود، شرح داده شده است. کتابخانه‌ها و بسته‌های الگوریتم‌های یادگیری نظارت شده در این فصل به تفصیل آمده است. تصویر معیارهای عملکرد و تکنیک‌های محاسباتی مورد استفاده برای روش‌های بهینه‌سازی و زیان پوشش داده شده است.

فصل 3، این فصل محبوب‌ترین و چالش‌برانگیزترین کلاس الگوریتم‌هایی را توصیف می‌کند که زمانی که داده‌های برچسب‌دار در دسترس نیستند استفاده می‌شوند. این فصل تکنیک‌های مختلف خوشه‌بندی و روش‌های پیش پردازش داده‌ها را شرح می‌دهد. انتخاب ویژگی‌های ورودی قابل توجه و کاهش ابعاد با استفاده از تکنیک‌های مختلف PCA و تجزیه ارزش منفرد (SVD) توضیح داده شده است. کتابخانه‌ها و بسته‌هایی برای تکنیک‌های مختلف توضیح داده شده ارائه شده است. تصویر معیارهای عملکرد و تکنیک‌های محاسباتی مورد استفاده برای روش‌های بهینه‌سازی و زیان پوشش داده شده است.

فصل 4 کتاب Essentials of Deep Learning and AI، این فصل فرآیند تبدیل داده‌های خام به مجموعه ای از ویژگی‌های مفید را شرح می‌دهد. جزئیات استخراج ویژگی، انتخاب ویژگی و ویژگی‌های سخت شدن را ارائه می‌دهد. با انتخاب ویژگی‌های بهتر به ساخت مدل‌های قوی و انعطاف‌پذیر کمک می‌کند. تکنیک‌های مختلفی را در زمینه رمزگذاری ویژگی، آماده‌سازی داده‌ها و مهندسی ویژگی‌ها توصیف می‌کند.

فصل 5 کتاب Essentials of Deep Learning and AI، این فصل درک عمیقی از تکنیک‌های طبقه بندی پیشرفته، ارتباط داده‌ها، خوشه بندی و رگرسیون ارائه می‌دهد. این فصل تکنیک‌هایی را برای مدیریت هر نوع داده ای شامل ویژگی‌های ساده تا پیچیده و اندازه داده‌های کوچک تا بزرگ توضیح می‌دهد. مورد استفاده از توصیه‌ها در صنعت خرده فروشی ارائه شده است.

فصل 6، این فصل روش‌های مختلف برای مدیریت داده‌های سری زمانی را توضیح می‌دهد. با مدل‌های سری زمانی مختلف و الگوریتم‌های مرتبط سروکار دارد. دسته بندی الگوریتم‌های سری زمانی را همراه با مثال‌ها شرح می‌دهد. استفاده از داده‌های سری زمانی برای مدل‌های پیش بینی شرح داده شده است.

فصل 7 کتاب Essentials of Deep Learning and AI، این فصل تکنیک‌های مختلفی را برای پاکسازی داده‌ها قبل از مصرف مدل‌ها ارائه می‌دهد. تکنیک‌های مختلف پیش پردازش مانند قالب‌بندی داده‌ها و عادی‌سازی توضیح داده شده است. اثر سوگیری و واریانس بر روی مدل‌ها تحلیل می‌شود. تکنیک‌های مختلفی برای کنترل بیش‌ازحد و عدم تناسب مدل‌ها ارائه شده است. موارد استفاده و مثال‌هایی برای قالب بندی و عادی سازی داده‌ها ارائه شده است.

فصل 8 کتاب Essentials of Deep Learning and AI، این فصل مکانیزم ترکیب مدل‌های ضعیف برای توسعه مدل‌های قوی با استفاده از مجموعه ای از الگوریتم‌ها را پوشش می‌دهد. این رویکرد سیستماتیک، تنظیم پارامترهای فوق و انتخاب پارامتر بهینه برای مدل‌های درجه صنعتی را توصیف می‌کند. آخرین روندها در روش‌های گروهی مانند تقویت و الگوریتم ژنتیک توضیح داده شده است.

فصل 9 کتاب Essentials of Deep Learning and AI، این فصل یکی از پیچیده‌ترین و دشوارترین روش‌های مدیریت داده‌ها را با استفاده از تکنیک‌های یادگیری عمیق توضیح می‌دهد. این تکنیک به حل مشکلاتی که توسط الگوریتم‌های یادگیری ماشین قابل حل نیستند کمک می‌کند. مکانیسم آموزشی و معماری CNN در این فصل به تفصیل توضیح داده شده است.

فصل 10 کتاب Essentials of Deep Learning and AI، این فصل بر پرسپترون چند لایه (MLP) تمرکز دارد که از پرسپترون ساده و توابع فعال سازی شروع می شود. این معماری مدل پرسپترون ساده را توضیح می‌دهد. این آخرین روندها در MLP مانند تقطیر دانش و با یک مثال برنامه نویسی را ارائه می‌دهد.

فصل 11، این فصل به مدل‌های حافظه کوتاه‌مدت بلندمدت می‌پردازد که عمدتاً برای مدیریت داده‌های متوالی استفاده می‌شوند. معماری‌های RNN، GRU و LSTM توضیح داده شده است. جزئیات تحلیلی معماری دروازه‌ها شرح داده شده است. انواع LSTM مانند LSTM دو طرفه و LSTM مبتنی بر توجه به تفصیل شرح داده شده است.

فصل 12 کتاب Essentials of Deep Learning and AI، این فصل به تولید خودکار ویژگی‌ها برای داده‌های ورودی داده شده می‌پردازد. رمزگذارهای خودکار با رمزگذارها و رمزگشاها سر و کار دارند و با شبکه‌های عصبی پیشخور ارتباط دارند. نمونه تولید ویژگی برای مجموعه داده MNIST ارائه شده است و معماری رمزگذارهای خودکار و انواع آن مورد بحث قرار گرفته است. استفاده از رمزگذارهای خودکار برای حذف نویز و نمایش پراکنده در این فصل به تفصیل آمده است.

فصل 13، این فصل کاربردهای صنعتی یادگیری عمیق و الگوریتم‌های یادگیری ماشین را پوشش می‌دهد. رویکردهای سخت‌افزاری و نرم‌افزاری مختلف به تفصیل بیان شده است. مورد استفاده تجاری متعلق به مخابرات، اینترنت اشیا، مراقبت‌های بهداشتی و ابری شرح داده شده است. این فصل توضیح می‌دهد که چگونه الگوریتم‌های چندگانه AI/ML در سیستم‌های کاری گنجانده شده‌اند.

فصل 14، فصل آخر کتاب Essentials of Deep Learning and AI، استفاده بالقوه AI، ML و DL را به همراه فناوری‌های آینده و نوظهور مورد بحث قرار می‌دهد. این فناوری‌ها الگوریتم‌های AI/ML را غنی می‌کنند و روش‌های سریع‌تر و ایمن‌تری برای اجرای آن‌ها ارائه می‌کنند. این فناوری‌ها شامل محاسبات کوانتومی، رایانش ابری، 5G و محاسبات نورومورفیک است. AI/ML امکان استفاده گسترده از این فناوری‌ها را فراهم می‌کند.

سرفصل‌های کتاب Essentials of Deep Learning and AI:

• Cover Page
• Title Page
• Copyright Page
• Foreword
• Dedication Page
• About the Authors
• About the Reviewer
• Acknowledgement
• Preface
• Errata
• Table of Contents
• 1. Introduction
• 2. Supervised Machine Learning
• 3. System Analysis with Machine Learning/Un-Supervised Learning
• 4. Feature Engineering
• 5. Classification, Clustering, Association Rules, and Regression
• 6. Time Series Analysis
• 7. Data Cleanup, Characteristics and Feature Selection
• 8. Ensemble Model Development
• 9. Design with Deep Learning
• 10. Design with Multi Layered Perceptron (MLP)
• 11. Long Short Term Memory Networks
• 12. Autoencoders
• 13. Applications of Machine Learning and Deep Learning
• 14. Emerging and Future Technologies
• Index

جهت دانلود کتاب Essentials of Deep Learning and AI می‌توانید پس از پرداخت، دریافت کنید.