کتاب Understanding Deep Learning (درک یادگیری عمیق) مفاهیم پایه و اساسی علم یادگیری عمیق (Deep Learning) را در 21 فصل از مقدمات تا نکات پیشرفته و مهم بیان میکند.
در ادامه مقدمهای از کتاب Understanding Deep Learning را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Understanding Deep Learning:
تاریخچه یادگیری عمیق در علم غیرمعمول است. پشتکار گروه کوچکی از دانشمندان، که بیش از بیست و پنج سال در منطقهای به ظاهر بیامید کار میکنند، یک حوزه را متحول کرده و جامعه را بهطور چشمگیری تحت تأثیر قرار داده است.
معمولاً، وقتی محققان گوشهای باطنی و ظاهراً غیرعملی از علم یا مهندسی را بررسی میکنند، همان چیزی باقی میماند – باطنی و غیرعملی. با این حال، این یک استثنا قابل توجه بود. با وجود شک و تردیدهای گسترده، تلاشهای سیستماتیک یوشوا بنجیو، جفری هینتون، یان لیکان و دیگران در نهایت نتیجه داد.
عنوان این کتاب \”درک یادگیری عمیق\” است تا آن را از مجلدهایی که کدنویسی و سایر جنبههای عملی را پوشش میدهند متمایز کند. این متن در درجه اول دربارهایدههایی است که زیربنای یادگیری عمیق هستند.
بخش اول کتاب Understanding Deep Learning به معرفی مدلهای یادگیری عمیق میپردازد و نحوه آموزش آنها، سنجش عملکرد آنها و بهبود این عملکرد را مورد بحث قرار میدهد. بخش بعدی معماریهایی را در نظر میگیرد که برای تصاویر، متن و دادههای گراف تخصصی هستند.
بیشتر بخوانید: کتاب Deep Learning for Medical Image Analysis
این فصلها فقط به جبر خطی مقدماتی، حساب دیفرانسیل و انتگرال و احتمال نیاز دارند و باید برای هر دانشجوی سال دوم کارشناسی در یک رشته کمی قابل دسترسی باشند. بخشهای بعدی کتاب Understanding Deep Learning به مدلهای مولد و یادگیری تقویتی میپردازد. این فصلها مستلزم دانش بیشتری از احتمال و حساب دیفرانسیل و انتگرال است و دانشآموزان پیشرفتهتر را هدف قرار میدهد.
عنوان نیز تا حدی یک شوخی است – هیچ کس واقعاً یادگیری عمیق را در زمان نوشتن درک نمیکند. شبکههای عمیق مدرن توابع خطی تکه تکه با مناطق بیشتر از اتمهای موجود در جهان را یاد میگیرند و میتوانند با نمونههای داده کمتری نسبت به پارامترهای مدل آموزش ببینند.
نه واضح است که ما باید بتوانیم این توابع را به طور قابل اعتماد منطبق کنیم و نه اینکه آنها باید به خوبی به دادههای جدید تعمیم دهند. فصل ماقبل آخر به این جنبهها و جنبههای دیگر میپردازد که هنوز به طور کامل درک نشدهاند.
صرف نظر از این، یادگیری عمیق جهان را به سمت بهتر یا بدتر تغییر خواهد داد. فصل آخر اخلاق هوش مصنوعی را مورد بحث قرار میدهد و با درخواستی برای تمرینکنندگان به پایان میرسد تا پیامدهای اخلاقی کار خود را در نظر بگیرند.
وقت شما گرانبها است و من سعی کردهام مطالب را تنظیم و ارائه کنم تا بتوانید آن را تا حد امکان درک کنید. بخش اصلی هر فصل شامل شرح مختصری از ضروریترینایدهها به همراه تصاویر همراه است.
بیشتر بخوانید: کتاب Deep Learning for Data Architects
ضمائم تمام پیش نیازهای ریاضی را بررسی میکنند و نیازی به مراجعه به مطالب خارجی نیست. برای خوانندگانی که مایل به کاوش عمیقتر هستند، هر فصل دارای مشکلات، نوت بوکهای پایتون و یادداشتهای پس زمینه گسترده است.
نوشتن یک کتاب یک فرآیند تنها، سنگشکن و چند ساله است و تنها زمانی ارزشمند است که حجم آن به طور گسترده مورد استفاده قرار گیرد. اگر از خواندن این مطلب لذت میبرید یا پیشنهادی برای بهبود آن دارید، لطفاً از طریق وب سایت همراه با من تماس بگیرید. من دوست دارم نظرات شما را بشنوم، که باعث ایجاد انگیزه در چاپهای بعدی میشود.
سرفصلهای کتاب Understanding Deep Learning:
- Cover
- Contents
- Preface
- Acknowledgments
- Chapter 1: Introduction
- Chapter 2: Supervised learning
- Chapter 3: Shallow neural networks
- Chapter 4: Deep neural networks
- Chapter 5: Loss functions
- Chapter 6: Fitting models
- Chapter 7: Gradients and initialization
- Chapter 8: Measuring performance
- Chapter 9: Regularization
- Chapter 10: Convolutional networks
- Chapter 11: Residual networks
- Chapter 12: Transformers
- Chapter 13: Graph neural networks
- Chapter 14: Unsupervised learning
- Chapter 15: Generative Adversarial Networks
- Chapter 16: Normalizing flows
- Chapter 17: Variational autoencoders
- Chapter 18: Diffusion models
- Chapter 19: Reinforcement learning
- Chapter 20: Why does deep learning work?
- Chapter 21: Deep learning and ethics
- Appendix A: Notation
- Appendix B: Mathematics
- Appendix C: Probability
- Bibliography
- Index
جهت دانلود کتاب Understanding Deep Learning میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.