کتاب The Deep Learning Architect’s Handbook

کتاب The Deep Learning Architect’s Handbook: Build and deploy production-ready DL solutions leveraging the latest Python techniques (کتاب معمار یادگیری عمیق: ساخت و استقرار راه حل های آماده تولید DL با استفاده از آخرین تکنیک های پایتون) با استفاده از پایتون معماری یادگیری عمیق را در 3 قسمت مختلف شرح می‌دهد.

در ادامه مقدمه‌ای از کتاب The Deep Learning Architect’s Handbook را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب The Deep Learning Architect’s Handbook:

به‌عنوان یک متخصص و علاقه‌مند به یادگیری عمیق، سال‌ها روی پروژه‌های مختلف کار کرده‌ام و از منابع مختلفی مانند Kaggle، GitHub، همکاران و موارد استفاده واقعی یاد گرفته‌ام. من متوجه شده‌ام که شکاف قابل توجهی در دسترسی به منابع یادگیری عمیق منسجم و سرتاسر وجود دارد. دوره‌های آنلاین انبوه باز سنتی (MOOC)، اگرچه مفید هستند، اما اغلب فاقد دانش عملی و بینش‌های دنیای واقعی هستند که تنها از طریق تجربه عملی به دست می‌آیند.

برای پر کردن این شکاف، من The Deep Learning Architect Handbook را ایجاد کرده‌ام، راهنمای جامع و عملی که تجربیات و بینش منحصربه‌فرد من را ترکیب می‌کند. این کتاب به شما کمک می‌کند تا در چشم‌انداز پیچیده یادگیری عمیق حرکت کنید و دانش و بینش‌هایی را در اختیار شما قرار می‌دهد که معمولاً به سال‌ها تجربه عملی نیاز دارد تا به دست‌آورید و به منبعی فشرده تبدیل شود که می‌تواند تنها در چند روز یا چند هفته مصرف شود.

کتاب The Deep Learning Architect’s Handbook به مراحل مختلف چرخه زندگی یادگیری عمیق، از برنامه‌ریزی و آماده‌سازی داده‌ها تا استقرار مدل و حاکمیت می‌پردازد. در طول این سفر، شما با معماری‌های یادگیری عمیق پایه و پیشرفته، مانند پرسپترون‌های چندلایه (MLP)، شبکه‌های عصبی کانولوشنال (CNN)، شبکه‌های عصبی مکرر (RNN)، رمزگذار‌های خودکار، ترانسفورماتور‌ها و روش‌های پیشرفته، مواجه خواهید شد.

مانند جستجوی معماری عصبی (NAS). این کتاب که به سه بخش تقسیم شده است، روش‌های اساسی، بینش‌های مدل، و DLOps را پوشش می‌دهد و موضوعات پیشرفته‌ای مانند NAS، عملکرد خصمانه و راه‌حل‌های مدل زبان بزرگ (LLM) را بررسی می‌کند. در پایان این کتاب، شما به خوبی برای طراحی، توسعه، و استقرار راه حل‌های یادگیری عمیق مؤثر، باز کردن پتانسیل کامل آن‌ها و هدایت نوآوری در برنامه‌های مختلف آماده خواهید شد.

کتاب The Deep Learning Architect’s Handbook برای چه کسی است؟

این کتاب برای تمرین‌کنندگان یادگیری عمیق، دانشمندان داده و توسعه‌دهندگان یادگیری ماشینی که می‌خواهند معماری‌های یادگیری عمیق را برای حل مشکلات تجاری پیچیده کشف کنند، مناسب‌تر است. مخاطبان این کتاب در فضای یادگیری عمیق و هوش مصنوعی حرفه‌ای هستند که قصد دارند از دانش در موارد استفاده خود استفاده کنند. دانش کار در مورد برنامه‌نویسی پایتون و درک اساسی از تکنیک‌های یادگیری عمیق برای به دست آوردن بیشترین استفاده از این کتاب مورد نیاز است.

بیشتر بخوانید: کتاب Understanding Deep Learning

آنچه کتاب The Deep Learning Architect’s Handbook پوشش می‌دهد:

فصل ۱، چرخه زندگی یادگیری عمیق، مراحل کلیدی یک پروژه یادگیری عمیق را با تمرکز بر برنامه‌ریزی و آماده‌سازی داده‌ها معرفی می‌کند و زمینه را برای کاوش جامع چرخه زندگی یادگیری عمیق در سراسر کتاب فراهم می‌کند.

فصل ۲، طراحی معماری‌های یادگیری عمیق، به جنبه‌های اساسی معماری‌های یادگیری عمیق، از جمله MLP‌ها می‌پردازد و نقش آن‌ها در شبکه‌های عصبی پیشرفته، و همچنین اهمیت انتشار پس‌انداز و منظم‌سازی را مورد بحث قرار می‌دهد.

فصل ۳، درک شبکه‌های عصبی کانولوشن، نگاهی عمیق به CNN‌ها، کاربرد‌های آن‌ها در پردازش تصویر، و خانواده‌های مدل‌های مختلف در حوزه CNN ارائه می‌دهد.

فصل ۴، درک شبکه‌های عصبی مکرر، ساختار و تغییرات RNN‌ها و توانایی آن‌ها برای پردازش داده‌های متوالی به طور مؤثر را بررسی می‌کند.

فصل ۵، درک رمزگذار‌های خودکار، مبانی رمزگذار‌های خودکار را به عنوان روشی برای یادگیری بازنمایی و کاربرد‌های آن‌ها در روش‌های مختلف داده بررسی می‌کند.

فصل ۶، درک ترانسفورماتور‌های شبکه عصبی، به ماهیت همه کاره ترانسفورماتور‌ها می‌پردازد، که قادر به مدیریت روش‌های مختلف داده بدون سوگیری‌های صریح خاص داده، و کاربرد‌های بالقوه آن‌ها در وظایف و حوزه‌های مختلف هستند.

فصل هفتم، جستجوی معماری عصبی عمیق، مفهوم NAS را به عنوان راهی برای خودکارسازی طراحی شبکه‌های عصبی پیشرفته معرفی می‌کند و کاربرد‌ها و محدودیت‌های آن را در سناریو‌های مختلف مورد بحث قرار می‌دهد.

فصل ۸، بررسی یادگیری عمیق تحت نظارت، انواع مختلف مشکل یادگیری تحت نظارت، تکنیک‌های پیاده‌سازی و آموزش مدل‌های یادگیری عمیق، و پیاده‌سازی‌های عملی با استفاده از چارچوب‌های یادگیری عمیق رایج را پوشش می‌دهد.

فصل ۹، کاوش در یادگیری عمیق بدون نظارت، نقش یادگیری عمیق در یادگیری بدون نظارت را مورد بحث قرار می‌دهد، به ویژه روش پیش آموزشی بدون نظارت را برجسته می‌کند. این رویکرد با استفاده از حجم وسیعی از داده‌های رایگان در دسترس در اینترنت، عملکرد مدل را برای وظایف تحت نظارت پایین دستی بهبود می‌بخشد و راه را به سوی هوش مصنوعی عمومی (AI) هموار می‌کند.

فصل ۱۰، بررسی روش‌های ارزیابی مدل، مروری بر تکنیک‌های ارزیابی مدل، مهندسی متریک و استراتژی‌هایی برای بهینه‌سازی در برابر معیار‌های ارزیابی ارائه می‌کند.

فصل ۱۱، توضیح پیش‌بینی‌های شبکه عصبی، با تمرکز بر تکنیک گرادیان‌های یکپارچه و کاربرد‌های عملی آن برای درک پیش‌بینی‌های شبکه عصبی، به چشم‌انداز توضیح پیش‌بینی می‌پردازد.

فصل ۱۲، تفسیر شبکه‌های عصبی، به تفاوت‌های ظریف درک مدل می‌پردازد و تکنیک‌هایی را برای کشف الگو‌های شناسایی شده توسط نورون‌ها به نمایش می‌گذارد. با کاوش در تصاویر واقعی و تولید تصاویر از طریق بهینه‌سازی برای فعال کردن نورون‌های خاص، بینش ارزشمندی در مورد فرآیند تصمیم‌گیری شبکه عصبی به دست خواهید آورد.

فصل ۱۳، بررسی سوگیری و انصاف، به موضوع حیاتی سوگیری و انصاف در مدل‌های یادگیری ماشین می‌پردازد و انواع مختلف، معیار‌ها و روش‌های برنامه‌ای را برای تشخیص و کاهش تعصب مورد بحث قرار می‌دهد.

فصل ۱۴، تجزیه و تحلیل عملکرد خصمانه، اهمیت تجزیه و تحلیل عملکرد خصمانه را در شناسایی آسیب‌پذیری‌ها و نقاط ضعف در مدل‌های یادگیری ماشین، همراه با مثال‌ها و تکنیک‌های عملی برای تجزیه و تحلیل، بررسی می‌کند.

فصل ۱۵، استقرار مدل‌های یادگیری عمیق در تولید، بر مؤلفه‌های کلیدی، نیازمندی‌ها و استراتژی‌ها برای استقرار مدل‌های یادگیری عمیق در محیط‌های تولید، از جمله انتخاب‌های معماری، زیرساخت‌های سخت‌افزاری و بسته‌بندی مدل تمرکز می‌کند.

فصل ۱۶، حاکم بر مدل‌های یادگیری عمیق، به بررسی ارکان اساسی حاکمیت مدل، از جمله استفاده از مدل، نظارت بر مدل، و نگهداری مدل می‌پردازد، در حالی که گام‌های عملی برای نظارت بر مدل‌های یادگیری عمیق ارائه می‌کند.

فصل ۱۷، مدیریت مؤثر دریفت در یک محیط پویا، مفهوم رانش و تأثیر آن بر عملکرد مدل، همراه با استراتژی‌هایی برای تشخیص، کمی کردن، و کاهش رانش در مدل‌های یادگیری عمیق را مورد بحث قرار می‌دهد.

فصل ۱۸، بررسی پلتفرم هوش مصنوعی DataRobot، مزایای پلتفرم‌های هوش مصنوعی، به‌ویژه DataRobot را در ساده‌سازی و تسریع چرخه زندگی یادگیری عمیق نشان می‌دهد و ویژگی‌ها و قابلیت‌های مختلف این پلتفرم را برجسته می‌کند.

فصل ۱۹، راه حل‌های معماری LLM، به LLM‌ها و کاربرد‌های بالقوه، چالش‌ها و استراتژی‌ها برای ایجاد راه حل‌های مؤثر و آگاهانه با زمینه با استفاده از LLM می‌پردازد.

سرفصل‌های کتاب The Deep Learning Architect’s Handbook:

• The Deep Learning Architect’s Handbook
• Contributors
• About the author
• About the reviewers
• Preface
• Part 1 – Foundational Methods
  • Chapter 1: Deep Learning Life Cycle
  • Chapter 2: Designing Deep Learning Architectures
  • Chapter 3: Understanding Convolutional Neural Networks
  • Chapter 4: Understanding Recurrent Neural Networks
  • Chapter 5: Understanding Autoencoders
  • Chapter 6: Understanding Neural Network Transformers
  • Chapter 7: Deep Neural Architecture Search
  • Chapter 8: Exploring Supervised Deep Learning
  • Chapter 9: Exploring Unsupervised Deep Learning
• Part 2 – Multimodal Model Insights
  • Chapter 10: Exploring Model Evaluation Methods
  • Chapter 11: Explaining Neural Network Predictions
  • Chapter 12: Interpreting Neural Networks
  • Chapter 13: Exploring Bias and Fairness
  • Chapter 14: Analyzing Adversarial Performance
• Part 3 – DLOps
  • Chapter 15: Deploying Deep Learning Models to Production
  • Chapter 16: Governing Deep Learning Models
  • Chapter 17: Managing Drift Effectively in a Dynamic Environment
  • Chapter 18: Exploring the DataRobot Al Platform
  • Chapter 19: Architecting LLM Solutions
• Index
• Other Books You May Enjoy

جهت دانلود کتاب The Deep Learning Architect’s Handbook می‌توانید پس از پرداخت، دریافت کنید.