کتاب Machine Learning Q and AI

کتاب Machine Learning Q and AI: 30 Essential Questions and Answers on Machine Learning and AI (پرسش و پاسخ یادگیری ماشینی و هوش مصنوعی: 30 پرسش و پاسخ اساسی در مورد یادگیری ماشینی و هوش مصنوعی) در رابطه با پاسخ به 30 سوال پیشرفته در حوزه‌ی یادگیری ماشینی و هوش مصنوعی می‌باشد که تخصص شما را در این زمینه ارتقا خواهد داد.

در ادامه مقدمه‌ای از کتاب Machine Learning Q and AI را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Machine Learning Q and AI:

به لطف پیشرفت‌های سریع در یادگیری عمیق، در سال‌های اخیر شاهد گسترش قابل توجهی در یادگیری ماشینی و هوش مصنوعی بوده ایم.

اگر انتظار داشته باشیم که این پیشرفت‌ها صنایع جدیدی ایجاد کند، صنایع موجود را متحول کند و کیفیت زندگی مردم را در سراسر جهان بهبود بخشد، این پیشرفت هیجان انگیز است. از سوی دیگر، ظهور مداوم تکنیک‌های جدید می‌تواند آن را چالش‌برانگیز و زمان‌بر کند تا در جریان آخرین پیشرفت‌ها قرار بگیرید. با این وجود، به روز بودن برای متخصصان و سازمان‌هایی که از این فناوری‌ها استفاده می‌کنند ضروری است.

من این کتاب را به‌عنوان منبعی برای خوانندگان و متخصصان یادگیری ماشین نوشتم که می‌خواهند تخصص خود را در این زمینه ارتقا دهند و در مورد تکنیک‌هایی که به نظر من مفید و قابل توجه می‌دانم، اما اغلب در کتاب‌های درسی و کلاس‌های آموزشی سنتی و مقدماتی نادیده گرفته می‌شوند، بیاموزند. امیدوارم این کتاب منبع ارزشمندی برای به دست آوردن بینش‌های جدید و کشف تکنیک‌های جدیدی که می‌توانید در کار خود پیاده‌سازی کنید، بیابید.

کتاب Machine Learning Q and AI برای چه افرادی است؟

پیمایش در دنیای هوش مصنوعی و ادبیات یادگیری ماشینی اغلب شبیه راه رفتن روی طناب است، زیرا بیشتر کتاب‌ها در هر دو انتهای آن قرار دارند: مقدمه‌های مبتدی گسترده یا رساله‌های عمیق ریاضی. این کتاب پیشرفت‌های مهم در این زمینه‌ها را نشان می‌دهد و بحث می‌کند در حالی که قابل دسترس است و نیازی به پیش‌زمینه ریاضی یا کدنویسی پیشرفته ندارد.

کتاب Machine Learning Q and AI برای افرادی است که تجربه ای در زمینه یادگیری ماشین دارند و می‌خواهند مفاهیم و تکنیک‌های جدید را یاد بگیرند. این برای کسانی که یک دوره مبتدی در یادگیری ماشین یا یادگیری عمیق گذرانده اند یا یک کتاب مقدماتی معادل در مورد این موضوع خوانده اند ایده آل است. (در سرتاسر این کتاب، من از یادگیری ماشینی به عنوان اصطلاحی برای یادگیری ماشینی، یادگیری عمیق و هوش مصنوعی استفاده خواهم کرد.)

چه چیزی از کتاب Machine Learning Q and AI بدست خواهید آورد؟

این کتاب یک سبک پرسش و پاسخ منحصر به فرد را اتخاذ می‌کند، که در آن هر فصل کوتاه حول یک سؤال اصلی مرتبط با مفاهیم اساسی در یادگیری ماشین، یادگیری عمیق و هوش مصنوعی ساختار یافته است. هر سوال همراه با یک توضیح همراه با چندین تصویر و شکل و همچنین تمرین‌هایی برای آزمایش درک شما ارائه می‌شود. بسیاری از فصول همچنین دارای منابعی برای مطالعه بیشتر هستند. این تکه‌های اطلاعاتی با اندازه کوچک، نقطه پرش لذت‌بخشی را در سفر شما از یادگیری ماشینی مبتدی تا متخصص ارائه می‌کنند.

کتاب Machine Learning Q and AI طیف وسیعی از موضوعات را پوشش می‌دهد. این شامل بینش‌های جدیدی در مورد معماری‌های تثبیت شده، مانند شبکه‌های کانولوشن، است که به شما امکان می‌دهد از این فناوری‌ها به طور موثرتری استفاده کنید.

همچنین تکنیک‌های پیشرفته‌تر، مانند عملکرد داخلی مدل‌های زبان بزرگ (LLM) و ترانسفورماتورهای بینایی را مورد بحث قرار می‌دهد. حتی محققان و متخصصان باتجربه یادگیری ماشینی با چیز جدیدی برای افزودن به زرادخانه تکنیک‌های خود مواجه خواهند شد.

در حالی که کتاب Machine Learning Q and AI شما را در معرض مفاهیم و ایده‌های جدید قرار می‌دهد، اما یک کتاب ریاضی یا کدنویسی نیست. در حین خواندن نیازی به حل هیچ اثبات یا اجرای کدی نخواهید داشت. به عبارت دیگر، این کتاب یک همراه کامل سفر یا چیزی است که می‌توانید روی صندلی مطالعه مورد علاقه خود با قهوه یا چای صبحگاهی خود بخوانید.

چگونه کتاب Machine Learning Q and AI را بخوانیم؟

هر فصل از این کتاب به گونه ای طراحی شده است که مستقل باشد و به شما این امکان را می‌دهد که هر طور که می خواهید بین موضوعات بپرید. هنگامی که مفهومی از یک فصل در فصل دیگر با جزئیات بیشتر توضیح داده می‌شود، من منابع فصلی را گنجانده ام که می‌توانید برای پر کردن شکاف‌های درک خود دنبال کنید.

با این حال، یک توالی استراتژیک در فصل‌ها وجود دارد. برای مثال، فصل اولیه در مورد تعبیه‌ها، زمینه را برای بحث‌های بعدی در مورد یادگیری خود نظارتی و یادگیری چند مرحله‌ای فراهم می‌کند. برای آسان‌ترین تجربه خواندن و جامع‌ترین درک محتوا، توصیه من این است که از ابتدا تا انتها به کتاب نزدیک شوید.

هر فصل کتاب Machine Learning Q and AI با تمرین‌های اختیاری برای خوانندگانی که می‌خواهند درک خود را بیازمایند همراه است، با یک کلید پاسخ در انتهای کتاب. علاوه بر این، برای هر مقاله ای که در یک فصل به آن ارجاع داده می‌شود یا مطالعه بیشتر در مورد موضوع آن فصل، می‌توانید اطلاعات استناد کامل را در بخش «مرجع» آن فصل بیابید.

کتاب Machine Learning Q and AI در پنج بخش اصلی با محوریت مهمترین موضوعات در یادگیری ماشینی و هوش مصنوعی امروزی تشکیل شده است.

بخش اول کتاب Machine Learning Q and AI: شبکه‌های عصبی و یادگیری عمیق سوالاتی در مورد شبکه‌های عصبی عمیق و یادگیری عمیق را پوشش می‌دهد که مختص یک زیر دامنه خاص نیستند. به عنوان مثال، ما در مورد جایگزین‌های یادگیری نظارت‌شده و تکنیک‌هایی برای کاهش بیش‌برازش بحث می‌کنیم، که در هنگام استفاده از مدل‌های یادگیری ماشین برای مشکلات دنیای واقعی که داده‌ها محدود است، یک مشکل رایج است.

فصل 1: جاسازی‌ها، فضای پنهان و بازنمایی‌ها   به تمایزات و شباهت‌های بین بردارهای جاسازی، بردارهای پنهان و نمایش‌ها می‌پردازد. توضیح می‌دهد که چگونه این مفاهیم به رمزگذاری اطلاعات در زمینه یادگیری ماشین کمک می کنند.

فصل 2: یادگیری خود نظارتی: روی یادگیری خود نظارتی تمرکز می‌کند، روشی که به شبکه‌های عصبی اجازه می‌دهد از مجموعه داده‌های بزرگ و بدون برچسب به شیوه‌ای نظارت شده استفاده کنند.

فصل 3: آموزش چند شات: آموزش چند شات را معرفی می‌کند، یک تکنیک یادگیری تحت نظارت تخصصی که برای مجموعه داده‌های آموزشی کوچک طراحی شده است.

فصل 4: فرضیه بلیط بخت آزمایی: این ایده را بررسی می‌کند که شبکه‌های عصبی به طور تصادفی اولیه حاوی زیرشبکه‌های کوچکتر و کارآمد هستند.

فصل 5 کتاب Machine Learning Q and AI: کاهش تطبیق بیش از حد با داده: به چالش بیش از حد برازش در یادگیری ماشینی می‌پردازد، استراتژی‌های متمرکز بر افزایش داده‌ها و استفاده از داده‌های بدون برچسب برای کاهش بیش‌برازش را مورد بحث قرار می‌دهد.

فصل 6: کاهش بیش از حد برازش با تغییرات مدل: مکالمه را در مورد اضافه کردن، تمرکز بر راه‌حل‌های مرتبط با مدل مانند منظم‌سازی، انتخاب مدل‌های ساده‌تر، و تکنیک‌های مجموعه گسترش می‌دهد.

فصل 7: پارادایم‌های آموزشی چند GPU: پارادایم‌های آموزشی مختلف را برای راه‌اندازی چند GPU برای تسریع آموزش مدل، از جمله داده‌ها و موازی‌سازی مدل، توضیح می‌دهد.

فصل 8: موفقیت ترانسفورماتورها: معماری محبوب ترانسفورماتور را بررسی می‌کند، ویژگی‌هایی مانند مکانیسم‌های توجه، سهولت موازی‌سازی، و تعداد پارامترهای بالا را برجسته می‌کند.

فصل 9: مدل‌های هوش مصنوعی مولد: نمای کلی جامعی از مدل‌های مولد عمیق ارائه می‌کند که برای تولید اشکال رسانه‌ای مختلف، از جمله تصاویر، متن، و صدا استفاده می‌شوند. نقاط قوت و ضعف هر نوع مدل را مورد بحث قرار می‌دهد.

فصل 10 کتاب Machine Learning Q and AI: منابع تصادفی: به منابع مختلف تصادفی در آموزش شبکه‌های عصبی عمیق می‌پردازد که ممکن است منجر به نتایج متناقض و غیرقابل تکرار در طول آموزش و استنتاج شود. در حالی که تصادفی بودن می‌تواند تصادفی باشد، می‌تواند عمداً با طراحی نیز معرفی شود.

بخش دوم: Computer Vision: بر موضوعاتی که عمدتاً مربوط به یادگیری عمیق است، اما مختص بینایی کامپیوتری است، تمرکز دارد، که بسیاری از آنها شبکه‌های عصبی کانولوشنال و ترانسفورماتورهای بینایی را پوشش می‌دهند.

فصل 11: محاسبه تعداد پارامترها: رویه تعیین پارامترها در یک شبکه عصبی کانولوشن را توضیح می‌دهد که برای اندازه‌گیری نیازهای ذخیره‌سازی و حافظه مدل مفید است.

فصل ۱۲: لایه‌های کاملاً متصل و کانولوشن: شرایطی را نشان می‌دهد که در آن لایه‌های کانولوشن می‌توانند به طور یکپارچه جایگزین لایه‌های کاملاً متصل شوند، که می‌تواند برای بهینه‌سازی سخت‌افزار یا ساده‌سازی پیاده‌سازی مفید باشد.

فصل 13: مجموعه‌های آموزشی بزرگ برای ترانسفورماتورهای بینایی: منطق پشت ترانسفورماتورهای بینایی را بررسی می‌کند که به مجموعه‌های آموزشی گسترده‌تری در مقایسه با شبکه‌های عصبی کانولوشنال معمولی نیاز دارند.

بخش سوم کتاب Machine Learning Q and AI: پردازش زبان طبیعی موضوعاتی را در مورد کار با متن پوشش می‌دهد که بسیاری از آنها به معماری ترانسفورماتور و توجه به خود مربوط می‌شوند.

فصل 14: فرضیه توزیعی: به بررسی فرضیه توزیع می‌پردازد، یک نظریه زبان‌شناختی که نشان می‌دهد کلماتی که در زمینه‌های مشابه ظاهر می‌شوند معانی مشابهی دارند، که پیامدهای مفیدی برای آموزش مدل‌های یادگیری ماشین دارد.

فصل 15 کتاب Machine Learning Q and AI: افزایش داده برای متن: اهمیت افزایش داده برای متن را برجسته می‌کند، تکنیکی که برای افزایش مصنوعی اندازه داده‌ها استفاده می‌شود، که می‌تواند به بهبود عملکرد مدل کمک کند.

فصل 16: توجه به خود، مکانیزمی که به هر بخش از ورودی شبکه عصبی اجازه می‌دهد به بخش‌های دیگر اشاره کند، توجه به خود را معرفی می‌کند. توجه به خود یک مکانیسم کلیدی در مدل‌های مدرن زبان بزرگ است.

فصل 17: ترانسفورماتورهای سبک رمزگذار و رمزگشا: تفاوت‌های ظریف معماری ترانسفورماتور رمزگذار و رمزگشا را شرح می‌دهد و توضیح می‌دهد که کدام نوع معماری برای هر کار پردازش زبانی مفیدتر است.

فصل 18: استفاده و تنظیم دقیق ترانسفورماتورهای از پیش آموزش دیده روش‌های مختلف برای تنظیم دقیق مدل‌های زبان بزرگ از پیش آموزش دیده توضیح می‌دهد و نقاط قوت و ضعف آنها را مورد بحث قرار می‌دهد.

فصل 19: ارزیابی مدل‌های زبان بزرگ مولد: معیارهای ارزیابی برجسته را برای مدل‌های زبانی مانند Perplexity، BLEU، ROUGE، و BERTScore فهرست می‌کند.

بخش چهارم کتاب Machine Learning Q and AI: تولید و استقرار، سؤالات مربوط به سناریوهای عملی، مانند افزایش سرعت استنتاج و انواع مختلف تغییرات توزیع را پوشش می‌دهد.

فصل 20: آموزش بدون تابعیت و دولت دارای تمایز بین روش‌های آموزشی بدون تابعیت و دولتی مورد استفاده در استقرار مدل‌ها است.

فصل 21: هوش مصنوعی داده‌محور: هوش مصنوعی داده‌محور را بررسی می‌کند، که مجموعه‌های داده را برای بهبود عملکرد مدل اولویت‌بندی می‌کند. این رویکرد با رویکرد مدل محور مرسوم، که بر بهبود معماری یا روش‌های مدل تأکید دارد، در تضاد است.

فصل 22: افزایش سرعت استنتاج: تکنیک‌هایی را برای افزایش سرعت استنتاج مدل بدون تغییر در معماری مدل یا به خطر انداختن دقت معرفی می‌کند.

فصل 23: تغییرات توزیع داده: پس از استقرار، مدل‌های هوش مصنوعی ممکن است با اختلافاتی بین داده‌های آموزشی و توزیع‌های داده در دنیای واقعی مواجه شوند که به عنوان تغییر توزیع داده شناخته می‌شوند. این تغییرات می تواند عملکرد مدل را بدتر کند. این فصل از کتاب Machine Learning Q and AI، تغییرات متداول مانند تغییر متغیر، تغییر مفهوم، تغییر برچسب و تغییر دامنه را طبقه بندی و توضیح می‌دهد.

بخش پنجم کتاب Machine Learning Q and AI: عملکرد پیش‌بینی‌کننده و ارزیابی مدل عمیق‌تر به جنبه‌های مختلف فشرده‌سازی عملکرد پیش‌بینی‌کننده، مانند تغییر تابع ضرر، تنظیم اعتبار متقاطع k-fold، و برخورد با داده‌های برچسب‌گذاری شده محدود می‌پردازد.

فصل 24 کتاب Machine Learning Q and AI: پواسون و رگرسیون ترتیبی: تفاوت‌های بین پواسون و رگرسیون ترتیبی را برجسته می‌کند. رگرسیون پواسون برای داده‌های شمارشی که از توزیع پواسون پیروی می‌کنند، مانند تعداد سرماخوردگی در هواپیما، مناسب است. در مقابل، رگرسیون ترتیبی به داده‌های طبقه‌بندی مرتب شده بدون فرض دسته‌های مساوی مانند شدت بیماری پاسخ می‌دهد.

فصل ۲۵: فواصل اطمینان: روش‌هایی را برای ایجاد فاصله‌های اطمینان برای طبقه‌بندی‌کننده‌های یادگیری ماشین بررسی می‌کند. هدف فواصل اطمینان را مرور می‌کند، درباره چگونگی تخمین پارامترهای جمعیت ناشناخته بحث می‌کند و تکنیک‌هایی مانند فواصل تقریبی معمولی، راه‌اندازی راه‌اندازی، و بازآموزی با دانه‌های تصادفی مختلف را معرفی می‌کند.

فصل 26 کتاب Machine Learning Q and AI: فواصل اطمینان در مقابل پیش‌بینی‌های منطبق: درباره تمایز بین فاصله‌های اطمینان و پیش‌بینی‌های منطبق بحث می‌کند و مورد دوم را به عنوان ابزاری برای ایجاد فواصل پیش‌بینی که نتایج واقعی را با احتمال خاصی پوشش می‌دهد، توصیف می‌کند.

فصل 27: معیارهای مناسب: روی ویژگی‌های اساسی یک متریک مناسب در ریاضیات و علوم رایانه تمرکز می‌کند. بررسی می‌کند که آیا توابع زیان معمولاً مورد استفاده در یادگیری ماشین، مانند میانگین مربعات خطا و از دست دادن آنتروپی متقابل، این ویژگی‌ها را برآورده می‌کنند یا خیر.

فصل 28: K در K-Fold Cross-Validation: نقش k را در اعتبارسنجی متقاطع k-fold بررسی می‌کند و بینشی در مورد مزایا و معایب انتخاب یک k بزرگ ارائه می‌کند.

فصل 29: عدم هماهنگی مجموعه‌های آموزشی و آزمایشی: به سناریویی می‌پردازد که در آن یک مدل در یک مجموعه داده آزمایشی بهتر از مجموعه داده‌های آموزشی عمل می‌کند. راهبردهایی را برای کشف و رسیدگی به اختلافات بین مجموعه داده‌های آموزشی و آزمایشی ارائه می‌دهد و مفهوم اعتبار سنجی مخالف را معرفی می‌کند.

فصل 30 کتاب Machine Learning Q and AI: داده‌های دارای برچسب محدود: تکنیک‌های مختلفی را برای بهبود عملکرد مدل در شرایطی که داده‌ها محدود است، معرفی می‌کند. برچسب‌گذاری داده‌ها، راه‌اندازی و پارادایم‌هایی مانند یادگیری انتقال، یادگیری فعال و یادگیری چندوجهی را پوشش می‌دهد.

سرفصل‌های کتاب Machine Learning Q and AI:

• Cover Page
• Title Page
• Copyright Page
• Dedication Page
• About the Author
• About the Technical Reviewer
• BRIEF CONTENTS
• CONTENTS IN DETAIL
• FOREWORD
• ACKNOWLEDGMENTS
• INTRODUCTION
• PART I: NEURAL NETWORKS AND DEEP LEARNING
  • 1. EMBEDDINGS, LATENT SPACE, AND REPRESENTATIONS
  • 2. SELF-SUPERVISED LEARNING
  • 3. FEW-SHOT LEARNING
  • 4. THE LOTTERY TICKET HYPOTHESIS
  • 5. REDUCING OVERFITTING WITH DATA
  • 6. REDUCING OVERFITTING WITH MODEL MODIFICATIONS
  • 7. MULTI-GPU TRAINING PARADIGMS
  • 8. THE SUCCESS OF TRANSFORMERS
  • 9. GENERATIVE AI MODELS
  • 10. SOURCES OF RANDOMNESS
• PART II: COMPUTER VISION
  • 11. CALCULATING THE NUMBER OF PARAMETERS
  • 12. FULLY CONNECTED AND CONVOLUTIONAL LAYERS
  • 13. LARGE TRAINING SETS FOR VISION TRANSFORMERS
• PART III: NATURAL LANGUAGE PROCESSING
  • 14. THE DISTRIBUTIONAL HYPOTHESIS
  • 15. DATA AUGMENTATION FOR TEXT
  • 16. SELF-ATTENTION
  • 17. ENCODER- AND DECODER-STYLE TRANSFORMERS
  • 18. USING AND FINE-TUNING PRETRAINED TRANSFORMERS
  • 19. EVALUATING GENERATIVE LARGE LANGUAGE MODELS
• PART IV: PRODUCTION AND DEPLOYMENT
  • 20. STATELESS AND STATEFUL TRAINING
  • 21. DATA-CENTRIC AI
  • 22. SPEEDING UP INFERENCE
  • 23. DATA DISTRIBUTION SHIFTS
• PART V: PREDICTIVE PERFORMANCE AND MODEL EVALUATION
  • 24. POISSON AND ORDINAL REGRESSION
  • 25. CONFIDENCE INTERVALS
  • 26. CONFIDENCE INTERVALS VS. CONFORMAL PREDICTIONS
  • 27. PROPER METRICS
  • 28. THE K IN K-FOLD CROSS-VALIDATION
  • 29. TRAINING AND TEST SET DISCORDANCE
  • 30. LIMITED LABELED DATA
• AFTERWORD
• APPENDIX: ANSWERS TO THE EXERCISES
• INDEX

جهت دانلود کتاب Machine Learning Q and AI می‌توانید پس از پرداخت، دریافت کنید.