کتاب The Regularization Cookbook

کتاب The Regularization Cookbook: Explore practical recipes to improve the functionality of your ML models (کتاب راهنمای منظم‌سازی: دستور العمل‌های عملی را برای بهبود عملکرد مدل‌های ML خود کاوش کنید) منبعی کاربردی برای شرح مدل‌های یادگیری ماشین و بهبود آن است. 

در ادامه مقدمه‌ای از کتاب The Regularization Cookbook را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب The Regularization Cookbook:

آیا تا به حال فکر کرده‌اید که چرا بسیاری از پروژه‌های یادگیری ماشینی در تولید شکست می‌خورند؟

در بسیاری از موارد، این به دلیل عدم تعمیم مدل‌ها است که منجر به پیش‌بینی‌های غیرمنتظره هنگام مواجهه با داده‌های جدید و نادیده می‌شود. منظور از منظم‌سازی این است: اطمینان از اینکه یک مدل پیش‌بینی‌های مورد انتظار را ارائه می‌کند، حتی زمانی که با داده‌های جدید مواجه می‌شوید.

در این کتاب، بسیاری از اشکال منظم‌سازی را بررسی خواهیم کرد. برای انجام این کار، بسته به دستور العمل‌های فصل، دو راه اصلی برای راه حل‌های منظم‌سازی را بررسی خواهیم کرد:

وقتی یک مدل یادگیری ماشین به شما داده می‌شود، چگونه آن را منظم کنیم؟ منظم کردن بیشتر در برنامه‌هایی مناسب است که مدل قبلاً تحمیل شده است (خواه یک راه حل قدیمی برای به روز رسانی وجود داشته باشد یا نیازهای قوی) و داده‌های آموزشی ثابت هستند، بنابراین تنها راه حل این است که مدل را منظم کنید.

با توجه به یک کار یادگیری ماشینی، چگونه می‌توانیم یک راه‌حل قوی و تعمیم‌دهنده داشته باشیم؟ این رویکرد بیشتر در برنامه‌هایی مناسب است که فقط مشکل تعریف شده است، اما هیچ محدودیت قوی هنوز ارائه نشده است، بنابراین راه حل‌های بیشتری را می‌توان بررسی کرد.

امیدواریم این دستور العمل‌ها ابزارها و تکنیک‌های لازم را برای حل بیشتر مشکلات یادگیری ماشینی که ممکن است با آن‌ها مواجه شوید و نیاز به منظم‌سازی داشته باشید و همچنین درک عملی کاملی از مفاهیم اساسی در اختیار شما قرار دهد.

کتاب The Regularization Cookbook برای چه کسی است؟

این کتاب برای هر کسی که دانش قبلی پایتون دارد مناسب است: تنها شرط قوی برای درک کامل راه‌حل‌های پیشنهادی این است که بتوانید کدهای ساده پایتون را بخوانید و اجرا کنید. برای هر روش یا مدل جدیدی که معرفی می‌شود، برخی زمینه‌ها و توضیحات کاربردی ارائه می‌شود، به طوری که هر فردی با پیشینه علم کامپیوتر می‌تواند به طور کامل بفهمد که چه کاری انجام می‌دهد.

اگرچه هر تمرین‌کننده پایتون می‌تواند کتاب The Regularization Cookbook را دنبال کند، اما مخاطبان هدف اصلی زیر هستند:

متخصصان یادگیری ماشین، مانند مهندسان یادگیری ماشین، دانشمندان کاربردی و دانشمندان داده، که می‌خواهند روش‌ها و کدهای آماده برای استفاده را هر زمان که با مشکل یا کار جدیدی روبرو می‌شوند انتخاب کنند. با استفاده از این کتاب، امیدواریم که آن‌ها بتوانند با کمی تطبیق کد با مشکلات خود، موقعیت‌های زیادی را مدیریت کنند.

علاقه مندان به یادگیری ماشینی که می‌خواهند دانش و درک عمیق تری از یادگیری ماشینی با مثال‌های عینی و کدهای کاری به دست آورند. با استفاده از کتاب The Regularization Cookbook، آن‌ها می‌توانند دانش عمیقی را با مثال‌های عملی به دست آورند و مجموعه ای محکم از پروژه‌ها بسازند.

آنچه کتاب The Regularization Cookbook پوشش می‌دهد:

فصل 1، مروری بر قاعده‌سازی، مقدمه‌ای در سطح بالایی از منظم‌سازی و همچنین تمام دانش و واژگان اساسی برای درک کامل فصل‌های باقی‌مانده این کتاب ارائه می‌کند.

فصل 2، بازنگری یادگیری ماشین، شما را از طریق یک گردش کار معمولی یادگیری ماشین و بهترین شیوه‌ها، از بارگیری و تقسیم داده تا آموزش و ارزیابی مدل، راهنمایی می‌کند.

فصل 3 کتاب The Regularization Cookbook، منظم‌سازی با مدل‌های خطی، منظم‌سازی با مدل‌های خطی رایج را پوشش می‌دهد: رگرسیون خطی و رگرسیون لجستیک. منظم‌سازی با جریمه‌سازی L1 و L2 و همچنین چند نکته کاربردی برای نحوه انتخاب روش منظم‌سازی مناسب پوشش داده شده است.

فصل 4، منظم‌سازی با مدل‌های مبتنی بر درخت، یادآوری‌هایی درباره درخت‌های تصمیم برای طبقه‌بندی و رگرسیون و همچنین نحوه منظم کردن آن‌ها ارائه می‌کند. سپس روش‌های گروهی مانند Random Forest و Gradient Boosting و روش‌های منظم‌سازی آن‌ها پوشش داده می‌شود.

فصل 5، منظم‌سازی با داده، منظم‌سازی با داده‌ها، با استفاده از هش و ویژگی‌های آن و تجمیع ویژگی‌ها را معرفی می‌کند. سپس روش‌های نمونه‌گیری مجدد برای مجموعه داده‌های نامتعادل پوشش داده می‌شود.

فصل 6 کتاب The Regularization Cookbook، یادآوری‌های یادگیری عمیق، یادآوری‌هایی در مورد یادگیری عمیق، هم از نظر مفهومی و هم از لحاظ عملی ارائه می‌کند. با یک Perceptron شروع می‌کنیم، سپس مدل‌هایی را برای رگرسیون و طبقه بندی آموزش می‌دهیم.

فصل 7، منظم‌سازی یادگیری عمیق، منظم‌سازی برای مدل‌های یادگیری عمیق را پوشش می‌دهد. چندین تکنیک بررسی و توضیح داده شده است: جریمه L2، توقف زودهنگام، معماری شبکه و حذف تصادفی (Dropout).

فصل 8، منظم‌سازی با شبکه‌های عصبی مکرر، به شبکه‌های عصبی بازگشتی (RNN) و واحدهای بازگشتی دردار (GRU) می‌پردازد. با توضیح اینکه آن‌ها چیست و چگونه می‌توان چنین مدل‌هایی را آموزش داد، شروع می‌شود. سپس تکنیک‌های منظم‌سازی، مانند ترک تحصیل و حداکثر طول توالی، پوشش داده می‌شوند.

فصل 9، منظم‌سازی پیشرفته در پردازش زبان طبیعی، روش‌های منظم‌سازی خاص برای پردازش زبان طبیعی (NLP) را بررسی می‌کند. منظم‌سازی با استفاده از تعبیه‌های word2vec و تعبیه‌های BERT پوشش داده شده است. تقویت داده‌ها با word2vec و GPT-3 مورد بررسی قرار گرفته است. راه حل‌های استنتاج صفر شات نیز پیشنهاد شده است.

فصل 10 کتاب The Regularization Cookbook، منظم‌سازی در بینایی کامپیوتری، به نظم بخشیدن به بینایی کامپیوتری و شبکه‌های عصبی کانولوشنال (CNN) می‌پردازد. پس از توضیح مفهومی و عملی CNN ها در طبقه‌بندی، دستور العمل‌هایی با منظم‌سازی برای تشخیص شی و تقسیم بندی معنایی ارائه شده است.

فصل 11، منظم‌سازی در بینایی کامپیوتری – تولید تصویر مصنوعی، برای منظم‌سازی به تولید تصاویر مصنوعی عمیق‌تر می‌پردازد. تقویت ساده داده ابتدا مورد بررسی قرار می‌گیرد.

سپس، یک مکانیسم تشخیص شی کد QR تنها با داده‌های آموزشی مصنوعی ساخته می‌شود. در نهایت، ما یک انتقال سبک بلادرنگ را بررسی می‌کنیم که آموزش آن مبتنی بر داده‌های Stable Diffusion است، و همچنین توضیح می‌دهیم که چگونه با چنین مجموعه داده‌ای توسط خودتان کار کنید.

سرفصل‌های کتاب The Regularization Cookbook:

• The Regularization Cookbook
• Foreword
• Contributors
• About the author
• About the reviewer
• Preface
• Chapter 1: An Overview of Regularization
• Chapter 2: Machine Learning Refresher
• Chapter 3: Regularization with Linear Models
• Chapter 4: Regularization with Tree-Based Models
• Chapter 5: Regularization with Data
• Chapter 6: Deep Learning Reminders
• Chapter 7: Deep Learning Regularization
• Chapter 8: Regularization with Recurrent Neural Networks
• Chapter 9: Advanced Regularization in Natural Language Processing
• Chapter 10: Regularization in Computer Vision
• Chapter 11: Regularization in Computer Vision – Synthetic Image Generation
• Index
• Other Books You May Enjoy

جهت دانلود کتاب The Regularization Cookbook می‌توانید پس از پرداخت، دریافت کنید.