کتاب Practical Mathematics for AI and Deep Learning

کتاب Practical Mathematics for AI and Deep Learning (ریاضیات عملی برای هوش مصنوعی و یادگیری عمیق: راهنمای مختصر و در عین حال عمیق درباره مبانی بینایی کامپیوتر، NLP، شبکه‌های عصبی عمیق پیچیده و یادگیری ماشین) در 12 فصل مختلف مفاهیم مربوط به هوش مصنوعی و یادگیری عمیق را در قالب ریاضیات آموزش می‌دهد.

در ادامه مقدمه‌ای از کتاب Practical Mathematics for AI and Deep Learning را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Practical Mathematics for AI and Deep Learning:

هدف هوش مصنوعی طراحی الگوریتم‌هایی است که می‌توانند «تصمیم‌گیری خودکار مبتنی بر داده‌ها در شرایط عدم قطعیت» را انجام دهند. برای درک نظریه تصمیم گیری خودکار، دانش نزولی در مفاهیم ریاضی زیر ضروری است: جبر خطی حساب برداری احتمال آمار. این کتاب به طور عمیق این مفاهیم اساسی ریاضی را پوشش می‌دهد. هر کدام از اینها ادبیات بسیار وسیعی برای خود دارند.

بنابراین، ما همیشه به این فکر می‌کنیم که از کجا شروع کنیم و تا کجا برویم. در کتاب Practical Mathematics for AI and Deep Learning سعی شده است تا ضروری ترین مباحث از هر چهار حوزه ریاضی را در کنار هم قرار دهیم.

بیشتر بخوانید: کتاب Essential Math for AI

ما تا آنجا که ممکن است از اثبات دقیق اجتناب کرده ایم و سعی کرده ایم این مفاهیم را به طور شهودی تر توضیح دهیم. از آنجایی که تقریباً هر روز پیشرفت‌های جدیدی در زمینه هوش مصنوعی ایجاد می‌شود، به سختی می‌توان خود را با مطالعه مداوم آخرین انتشارات تحقیقاتی به روز نگه داشت. با این حال، با یک پایه ریاضی قوی ارائه شده توسط این کتاب، منحنی یادگیری بسیار کمتر شیب دار به نظر می‌رسد.

کتاب Practical Mathematics for AI and Deep Learning رویکردی کاربردی برای معرفی نظریه ریاضی دارد. این کد یا شبه کد را در پایتون برای اکثر مفاهیم ریاضی مورد بحث ارائه می‌کند و خوانندگان را قادر می‌سازد تا از این مفاهیم در پروژه‌های خود در هر کجا که قابل استفاده هستند استفاده کنند.

به عنوان مثال، محاسبه گرادیان یک تابع از چندین متغیر به صورت ریاضی معرفی می‌شود و سپس کد مربوطه نیز در هر دو زبان ساده پایتون، numpy و tensorflow برای روشن شدن مفاهیم داده می‌شود.

کتاب Practical Mathematics for AI and Deep Learning همچنین کاربرد تئوری ریاضی در ساخت الگوریتم‌های مختلف هوش مصنوعی را پوشش می‌دهد. همچنین، این کتاب در مورد اکثر معماری‌های شبکه عصبی محبوب بحث می‌کند. خوانندگان باید بتوانند از این بلوک‌های ساختمانی برای مهندسی معماری شبکه‌های عصبی سفارشی استفاده کنند.

کتاب Practical Mathematics for AI and Deep Learning در دوازده فصل تنظیم شده است. شش فصل اول تئوری محور است و ما قویاً به خوانندگان پیشنهاد می‌کنیم که آن‌ها را به ترتیب مطالعه کنند زیرا وابستگی‌های متقابل زیادی در این فصل‌ها وجود دارد. فصول باقی مانده کاربردهای این مفاهیم هستند و از این رو می‌توان آن‌ها را به هر ترتیبی خواند.

فصل 1 بررسی اجمالی هوش مصنوعی: فصل یک نمای کلی در سطح بالایی از هوش مصنوعی و اجزای فرعی آن ارائه می‌دهد. اصطلاحات رایج مانند مدل، داده‌ها، پارامترهای مدل‌ها، متغیرهای وابسته و مستقل و معیارهای ارزیابی مدل در این فصل از کتاب Practical Mathematics for AI and Deep Learning توضیح داده می‌شوند و در فصل‌های بعدی مکرراً به آن‌ها ارجاع داده می‌شود.

فصل 2 جبر خطی: اکثر مباحث جبر خطی را با مثال‌هایی پوشش می‌دهد که کاربرد آن را در هوش مصنوعی می‌یابد. شکل‌های خوب فکر شده در این فصل به خواننده کمک می‌کند تا مفهوم را با وضوح درک کند. در این فصل از کتاب Practical Mathematics for AI and Deep Learning در مورد نمایش داده‌های دنیای واقعی به صورت عددی به نام بردار بحث می‌شود و ابزارهای ریاضی مورد نیاز برای پردازش بردارها معرفی می‌شود.

فصل 3 حساب بردار: فصل تمایز و ادغام بردارها را مورد بحث قرار می‌دهد. مفهوم تانسورها نیز در این فصل به همراه جبر تانسور پایه و حساب تانسور معرفی شده است. علاوه بر این، این فصل مباحث اولیه بهینه سازی را برای تابع چندین متغیر و توابع روی تانسور ارائه می‌دهد.

فصل 4 آمار پایه و نظریه احتمال: این فصل از کتاب Practical Mathematics for AI and Deep Learning مفاهیم مقدماتی آمار مانند جمع آوری، سازماندهی، تجزیه و تحلیل داده‌ها به منظور تصمیم‌گیری مؤثر را پوشش می‌دهد. داده‌های دنیای واقعی منابع مختلفی از عدم قطعیت دارند. برای تعیین کمیت این عدم قطعیت در داده‌ها، نظریه احتمال معرفی شده است.

فصل 5 استنتاج آماری و کاربردها: استنتاج آماری تکنیک‌های تصمیم‌گیری در شرایط عدم قطعیت را پوشش می‌دهد. در یادگیری ماشین عدم قطعیت می‌تواند از داده‌های پر سر و صدا، اطلاعات ناقص در مورد حوزه مسئله و غیره ناشی شود. این فصل از کتاب Practical Mathematics for AI and Deep Learning مفاهیم اصلی استنتاج آماری و کاربرد آن در مدل‌های خطی در ML مانند رگرسیون خطی، رگرسیون منحنی و رگرسیون لجستیک را پوشش می‌دهد.

فصل 6 شبکه‌های عصبی: اکثر آخرین الگوریتم‌های هوش مصنوعی مبتنی بر شبکه‌های عصبی هستند. این فصل به طور کلی شبکه‌های عصبی را معرفی می‌کند. همچنین، الگوریتم انتشار پشت سر هم با جزئیات از جمله استفاده از حساب تانسور برای محاسبه مشتقات لایه عاقلانه در شبکه توضیح داده شده است.

فصل 7 خوشه‌بندی: در چند حوزه، داده‌ها بدون برچسب خواهند بود. در این سناریوها، وظیفه یافتن گروه‌های طبیعی در میان نمونه‌های داده است. هر گروه مشخص شده دارای ویژگی‌های منحصر به فردی است که توسط الگوریتم‌ها آموخته می‌شود. یادگیری به تخصیص نمونه داده‌های جدید به گروه‌های موجود بر اساس ویژگی‌های آن کمک می کند. این فصل از کتاب Practical Mathematics for AI and Deep Learning در مورد این الگوریتم‌هایی که گروه‌های طبیعی را شناسایی می‌کند، بحث خواهد کرد.

فصل 8 کاهش ابعاد: در بیشتر موارد، نمونه داده‌های دنیای واقعی بیش از سه بعدی است. داده‌های ابعادی بالاتر منجر به پراکندگی داده‌ها می‌شود که به نوبه خود باعث کاهش دقت الگوریتم‌های یادگیری می‌شود. همچنین تجسم داده‌هایی که ابعاد آن‌ها بیشتر از سه باشد امکان‌پذیر نیست. در این فصل از کتاب Practical Mathematics for AI and Deep Learning الگوریتم‌هایی که در کاهش ابعاد داده‌ها مورد استفاده قرار می‌گیرند بحث خواهد شد.

فصل 9 بینایی کامپیوتر: این فصل برخی از زمینه‌های نظری را برای مدل‌های پیشرفته هوش مصنوعی در بینایی کامپیوتر ارائه می‌دهد. یک معماری شبکه عصبی تخصصی به نام شبکه عصبی کانولوشن یا CNN که از این مدل‌ها استفاده می‌شود، با جزئیات توضیح داده شده است. تغییرات معماری CNN برای انواع مختلف وظایف بینایی استفاده می‌شود. انگیزه پشت این معماری‌ها و نحوه آموزش این شبکه‌ها پوشش داده شده و مرجعی برای مدل و کد این معماری‌ها ارائه شده است.

فصل 10 مدل‌های یادگیری توالی: در حوزه‌های کمی، داده‌ها متوالی هستند. کلیپ‌های صوتی، کلیپ‌های ویدئویی، داده‌های سری زمانی نمونه‌های کمی از داده‌های متوالی هستند. در اینجا، پیش‌بینی خروجی آینده به تاریخچه داده‌های قبلی بستگی دارد. این فصل در مورد الگوریتم‌هایی بحث خواهد کرد که به یادگیری و پیش بینی بر اساس داده‌های مرتب شده متوالی کمک می کنند.

فصل 11 پردازش زبان طبیعی: زبان طبیعی ابزار ارتباطی مهمی در بین انسان‌ها بوده است و پیچیدگی آن افزایش یافته است که مغز ما می‌تواند آن را درک کند. این فصل در مورد الگوریتم‌هایی بحث می‌کند که یاد می‌گیرند زبان طبیعی را بفهمند، زبان طبیعی را به شکل مختصر قابل خواندن توسط انسان نشان دهند.

فصل 12 مدل‌های مولد: مدل‌سازی مولد شاخه‌ای از هوش مصنوعی است که شامل کشف و یادگیری خودکار نظم‌ها یا الگوهای موجود در داده‌های ورودی است به گونه‌ای که بتوان از مدل برای تولید نمونه‌های جدیدی استفاده کرد که به طور قابل قبولی می‌توانست از مجموعه داده اصلی استخراج شده باشد. این فصل تکنیک‌های مختلف مدل‌سازی مولد مانند رمزگذارهای خودکار متغیر، انواع مختلف شبکه‌های متخاصم مولد (GAN) را پوشش می‌دهد.

سرفصل‌های کتاب Practical Mathematics for AI and Deep Learning:

• Cover Page
• Title Page
• Copyright Page
• Dedication Page
• About the Authors
• About the Reviewer
• Acknowledgements
• Preface
• Errata
• Table of Contents
• 1. Overview of AI
• 2. Linear Algebra
• 3. Vector Calculus
• 4. Basic Statistics and Probability Theory
• 5. Statistical Inference and Applications
• 6. Neural Networks
• 7. Clustering
• 8. Dimensionality Reduction
• 9. Computer Vision
• 10. Sequence Learning Models
• 11. Natural Language Processing
• 12. Generative Models
• Index

جهت دانلود کتاب Practical Mathematics for AI and Deep Learning می‌توانید پس از پرداخت، دریافت کنید.