کتاب Modern Deep Learning Design and Application Development

کتاب Modern Deep Learning Design and Application Development یا طراحی مدرن یادگیری عمیق و توسعه برنامه‌های مربوط به آن، از جدیدترین منابع علم یادگیری عمیق به صورت عملی است که در سال 2021 به چاپ رسیده است. این کتاب با رویکردی عملی و خلاقانه به شما نحوه‌ی توسعه‌ی برنامه‌های یادگیری عمیق را آموزش داده و تمرکز فصول را بر روی مباحث عملیاتی قرار داده است.

در ادامه مقدمه‌ای از کتاب Modern Deep Learning Design and Application Development را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Modern Deep Learning Design and Application Development:

یادگیری عمیق تقریباً در سراسر جهان به عنوان در زیر رشته علوم رایانه قرار می‌گیرد، با برخی از تقاطع ها در آمار و ریاضیات به طور گسترده، مانند بسیاری از رشته‌های علوم رایانه. بنابراین، در اولین برداشت، ممکن است تصور شود که این یک علم سخت‌گیرانه و دقیق است – فرآیندی سفت و سخت برای تنظیم معماری‌ها و روش‌ها به روشی معمولی برای حذف چند درصد بیشتر از دقت در برخی از داده‌ها.

در حالی که مسلماً این یک جزء ضروری و دوره مسیر رشد و توسعه یادگیری عمیق است، اما اگر با تمام وجود از آن استقبال شود، آسیب‌زا می‌شود. چنین دیدگاهی نسبت به نوآوری در یادگیری عمیق کشنده است، زیرا بسیاری – و احتمالاً اکثر آن‌ها – از پیشرفت‌های عمده در یادگیری عمیق از طریق یک فرآیند علمی دقیق و دقیق تنظیم، بلکه از طریق ایده‌های وحشی و آزاد به دست آمده و نیستند.

یادگیری عمیق، همانطور که در کتاب Modern Deep Learning Design and Application Development بیشتر توضیح داده خواهد شد، همیشه تا حدودی یک آزمایش اول توضیح بعد از میدان بوده است. یعنی موفقیت یک روش تقریباً همیشه پس از اینکه خود روش به طور تجربی موفق بوده است، با جزئیات کامل‌تر توضیح داده می‌شود.

خود این روش معمولاً از یک تصور یا شهود ایجاد شده از طریق یک سری طولانی آزمایش و بازبینی به جای یک سیستم دقیق ساخته شده که در آن توضیح قوی و منطقی برای موفقیت یک روش مقدم بر موفقیت تجربی آن است، پدید می آید. البته این بدان معنا نیست که برای گام برداشتن در یادگیری عمیق باید نامرتب بود. فقط پیشنهاد می‌شود که یادگیری عمیق مطالعه ای است در مرحله ای که اساساً توسط روح آزادی در اندیشه و آزمایش هدایت می‌شود.

بخشی از دیدگاه متفاوت، اما ظاهراً محبوب‌تر یادگیری عمیق به‌عنوان سفت و سخت و کمابیش ادامه‌ای از پارادایم «بهترین مدل را در یادگیری ماشینی بیابید»، بدون شک، از تمرکز بسیار بر معیارهای اعتبارسنجی ناشی می‌شود که در اوایل نسبتاً اولیه تحریک شده بود.

توسعه معماری‌ها و روش‌های پیشرفته‌تر و قدرتمندتر یادگیری عمیق در اوایل تا اواسط دهه 2010 و تداوم این روحیه در مسابقات یادگیری عمیق و پلت فرم‌های رقابتی محبوب. فراتر از این مرحله، یادگیری عمیق اغلب به گونه‌ای ارائه می‌شود که این دیدگاه مشکل‌ساز را تشویق می‌کند.

کتاب‌ها، دوره‌ها، مقاله‌های آنلاین و سایر رسانه‌ها، یادگیری عمیق را از طریق یک سری مثال‌های عینی توضیح می‌دهند، و ارزش اصلی آن‌ها را در اجرای نمونه‌های گفته شده بسته‌بندی می‌کنند. مثال‌های عینی مهم هستند و در زمینه‌های مبتنی بر دیجیتال هزینه کمی دارند، به همین دلیل است که در زمینه علوم رایانه بسیار ارزشمند شده‌اند.

مشکل اینجاست که تمرکز غالباً به جای مفاهیم گسترده‌تر، روی مثال‌های خاص قرار می‌گیرد. بسیار منعکس کننده این جمله است که “به یک مرد یک ماهی بدهید و یک روز به او غذا می‌دهید، ماهیگیری را به او یاد می‌دهید و برای تمام عمر به او غذا می‌دهید”. به جای تغذیه تک ماهی به خوانندگان، آموزش حرکت و آزادی – عمل ماهیگیری برای ایده‌ها و کاربردهای جدید – باید یک جزء کلیدی در ارائه یادگیری عمیق باشد. مثال‌ها و پیاده‌سازی‌هایی که نشان داده می‌شوند باید نقاط لنگری باشند که درک مفهومی گسترده‌تری را هدایت می‌کنند نه اینکه تنها صاحبان درک خواننده باشند.

این را در رابطه با پارادایم بیش از حد مناسبی که در اوایل به متخصصان یادگیری ماشین معرفی شد، در نظر بگیرید. اگر یک مدل برازش منحنی ساده برای عبور از هر نقطه در مجموعه داده خود وزن بسیار زیادی ایجاد کند، داده ها را به خوبی مدل می‌کند، اما در مدل سازی پدیده های اساسی – مفهومی که داده ها نشان می‌دهد، شکست می‌خورد. این بیش از حد مناسب است. بنابراین، این مدل در تعمیم ایده‌هایی که داده‌ها نشان می‌دهند، مشکل دارد و در کاربردها و زمینه‌های جدید مفید واقع نمی‌شود.

بسیاری از معیارهای مورد استفاده در یادگیری ماشین کلاسیک و همچنین یادگیری عمیق به دنبال به حداکثر رساندن عملکرد مدل با توجه به مدل‌سازی مفاهیم زیربنایی داده‌ها هستند تا داده‌ها به خودی خود.

به همین ترتیب، ارائه یادگیری عمیق به طور اجتناب‌ناپذیری به شدت با مثال ها و پیشرفت های خاص مرتبط خواهد بود، اما نباید فقط از این مثال های خاص تشکیل شود، زیرا کسی که یادگیری عمیق را از این طریق آموخته است، احتمالاً در استفاده از یادگیری عمیق در زمینه ای خارج از محدوده باریک مشکل خواهد داشت. بعلاوه، برای آنها نوآوری ایده‌ها و رویکردهای جدید چالش برانگیز خواهد بود – مهارتی که در چنین زمینه‌ای که به سرعت در حال تکامل است بسیار ارزشمند است.

هدف کتاب Modern Deep Learning Design and Application Development برداشتن گامی به سوی این دیدگاه اولویت‌بندی مفهومی از ارتباطات یادگیری عمیق، انتقال ایده‌های طراحی یادگیری عمیق، به جای توسعه دانش خواننده از یادگیری عمیق به شیوه‌ای است که فقط شامل معماری‌ها و روش‌های خاص باشد. بدون درک چگونگی تعمیم و یافتن آزادی خلاقانه در یادگیری عمیق. اشتباه نکنید – این هدف به این معنی نیست که این کتاب فاقد مثال یا اجرا است.

فصل اول کتاب Modern Deep Learning Design and Application Development، “شیرجه عمیق در Keras“، به طور کامل به توسعه درک عمیق از Keras اختصاص داده شده است، کتابخانه یادگیری عمیقی که ما از آن برای درک مفاهیم به عنوان پیاده‌سازی و برنامه‌های کاربردی استفاده خواهیم کرد.

بقیه کتاب Modern Deep Learning Design and Application Development به طور کلی در یک ساختار دوجانبه شهود/نظریه-اول، اجرا-دوم سازماندهی شده است. این مفهوم ابتدا با مثال‌ها، قیاس، و ابزارهای لازم تئوری و شهود معرفی می‌شود، و سپس پیاده‌سازی و تغییرات کد ارائه می‌شود.

علاوه بر این، هر یک از شش فصل بعد از فصل اول شامل سه مطالعه موردی است، که هر کدام یک مقاله یادگیری عمیق از تحقیقات اخیر یادگیری عمیق را در منظری مرتبط با موضوع فصل پوشش می‌دهد، که برخی از آن‌ها حاوی دستورالعمل‌هایی برای کد هستند. هدف از مطالعات موردی چندگانه است: کشف تنوع موضوعات مورد بررسی در تحقیقات یادگیری عمیق فعلی، ارائه شواهد تجربی در مورد موفقیت روش‌های خاص، و ارائه نمونه‌هایی از نوآوری‌های یادگیری عمیق که مرزها را جابجا می‌کنند و به تبع آن زمینه را پیش می‌برند. دولت.

شش فصل بعد از فصل اول هر کدام مجموعه مهمی از مفاهیم در یادگیری عمیق مدرن را پوشش می‌دهد. ذکر این نکته ضروری است که این فصل‌ها دانش پایه ای از عملیات شبکه عصبی (لایه های پیشخور، گرادیان نزول، استاندارد و کانولوشنال) و اصول کلی یادگیری ماشین را فرض می‌کنند. فصل‌ها به‌طور متوالی بر این پایه‌ها بنا می‌شوند تا یادگیری انتقالی و یادگیری خود نظارتی را در فصل 2 کتاب Modern Deep Learning Design and Application Development، «استراتژی‌های پیش‌آموزشی و یادگیری انتقالی» بررسی کنند.

رمزگذارهای خودکار در فصل 3، “تنوع پذیری رمزگذارهای خودکار”؛ فشرده سازی مدل در فصل 4، “فشرده سازی مدل برای استقرار عملی”؛ بهینه‌سازی بیزی و جستجوی معماری عصبی در فصل 5 کتاب Modern Deep Learning Design and Application Development، “خودکار طراحی مدل با فرابهینه‌سازی”؛ طراحی معماری مدرن در فصل 6 “طراحی معماری شبکه عصبی موفق”؛ و حل مسئله در فصل 7 کتاب Modern Deep Learning Design and Application Development، “بازنگری مسائل یادگیری عمیق دشوار”.

خوانندگان، به ویژه کسانی که با سایر منابع یادگیری عمیق آشنا هستند، متوجه خواهند شد که این فصل ها حاوی بسیاری از موضوعات بحث نشده در کتاب‌ها و آموزش‌های دیگر، از جمله یادگیری خود نظارتی است.

روش‌های فشرده‌سازی مدل مانند هرس، کوانتیزاسیون و خوشه‌بندی وزن. و روش‌های جستجوی معماری عصبی به طور کلی، کتاب Modern Deep Learning Design and Application Development یک رویکرد جدید را در ارتباط با جنبه‌های اصلی و مرزی یادگیری عمیق در پرتوی که بر شهود، تنوع و تعمیم در مفاهیم و روش‌ها تأکید دارد، تلاش می‌کند.

امید این است که کتاب Modern Deep Learning Design and Application Development نه تنها درک قوی و عمیقی از موضوعات بررسی شده در هر فصل به خواننده بدهد، بلکه آزادی فکری برای پیشنهاد و دنبال کردن ایده‌های یادگیری عمیق جدید برای پرداختن به گستره وسیعی از مشکلات دشواری که امروز با آن روبرو هستیم و فردا با آن روبرو خواهیم بود، به خواننده می‌دهد.

همچنین شما می‌توانید علاوه بر کتاب Modern Deep Learning Design and Application Development، از کتاب Deep Learning with Python نیز برای برنامه‌نویسی یادگیری عمیق با استفاده از زبان برنامه‌نویسی پایتون استفاده نمائید.

سرفصل‌های کتاب Modern Deep Learning Design and Application Development:

• About the Author
• About the Technical Reviewer
• Acknowledgments
• Introduction
• Chapter 1: A Deep Dive into Keras
• Chapter 2: Pretraining Strategies and Transfer Learning
• Chapter 3: The Versatility of Autoencoders
• Chapter 4: Model Compression for Practical Deployment
• Chapter 5: Automating Model Design with Meta-optimization
• Chapter 6: Successful Neural Network Architecture Design
• Chapter 7: Reframing Difficult Deep Learning Problems
• Index

فایل کتاب Modern Deep Learning Design and Application Development را می‌توانید پس از پرداخت، دریافت کنید.