کتاب یادگیری عمیق در متلب (یادگیری ماشین – شبکه عصبی و هوش مصنوعی) نوشته فیل کیم

کتاب یادگیری عمیق در متلب (یادگیری ماشین – شبکه عصبی و هوش مصنوعی)

در این بخش کتاب یادگیری عمیق در متلب (یادگیری ماشین – شبکه عصبی و هوش مصنوعی) با عنوان انگلیسی MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence نوشته فیل کیم (Phil Kim) را برای علاقه مندان آماده کرده ایم که در قالب ۶ فصل و ۱۶۰ صفحه به زبان انگلیسی ارائه شده است. در ادامه به معرفی کتاب، فصل بندی ها و فهرست مطالب ارائه شده در آن پرداخته و لینک خرید کتاب به همراه سورس کد تمرین ها در MATLAB قرار داده شده است.

یادگیری عمیق (Deep Learning)

بعد از پیشرفت های دهه های اخیر در زمینه فناوری اطلاعات، اکنون موج عظیمی در رابطه با هوش مصنوعی ایجاد شده و تجهیزات و خدمات بسیار متنوعی به طور مستمر در حال ورود به بازار است. یادگیری عمیق عامل مهمی در ایجاد این موج است. یادگیری عمیق (Deep Learning) به حدی گسترده و مقبول شده که نشانی از آن تقریبا در همه جا مشاهده می شود. در عین حال، خیلی از مطالب مربوط به آن برای دانشجویان تازه وارد به این زمینه تخصصی ساده نبوده یا ساده ارایه نمی شود. این کتاب با این هدف نوشته شده که این خلأ را پر کند.

معرفی کتاب

این کتاب آموزشی متلب برای دو قشر از خوانندگان نوشته شده است؛ اولین گروه، کسانی که قصد دارند مطالعه عمیق با رویکرد سیستماتیک، برای تحقیق و توسعه بیشتر داشته باشند. علاقه مندان باید همه مطالب را از ابتدا تا انتها بخوانند. کدهای نمونه، به ویژه برای درک مفاهیم مفید خواهد بود. تلاش های خوبی برای ساخت نمونه های کافی و اجرای آنها صورت گرفته است. کد مثال های ساخته شده، آموزش و فهم ما را از موضوع آسان تر می کنند. آنها برای کارایی آسان تر، در محیط MATLAB نوشته شده اند. زبان برنامه نویسی ای بهتر از MATLAB نیست که بتواند ماتریس یادگیری عمیق را به شیوه ساده و بصری ارائه کند. کد نمونه فقط از توابع اساسی و دستور زبان استفاده می کند، به طوری که حتی کسانی که با نرم افزار MATLAB آشنا نیستند نیز می توانند به راحتی مفاهیم را درک کنند. برای کسانی که با برنامه نویسی آشنا هستند، ممکن است کد نمونه های متن این کتاب را ساده تر یاد گیرند.

گروه دوم، کسانی هستند که می خواهند اطلاعات عمیق تری درباره یادگیری عمیق به دست آورند؛ بیش از آنچه که از مجلات یا روزنامه ها به دست می آید، اما نمی توانند به شکلی پایه ای، آن را مطالعه کنند. این خوانندگان می توانند کد نمونه را حذف کنند و به طور مختصر سراغ توضیحات مفاهیم بروند. چنین خواننده هایی ممکن است بخواهند قوانین یادگیری شبکه عصبی را نیز حذف کنند. در عمل، حتی کاربران یادگیری عمیق نیز به ندرت نیاز به اجرای قوانین یادگیری دارند، زیرا کتابخانه هایی برای یادگیری عمیق در دسترس هستند. بنابراین، کسانی که هرگز نیازی به توسعه مفاهیم ندارند، لازم نیست برای آموزش قوانین نگران باشند.

با این حال توجه بیشتری به فصل های ۱ و ۲ و فصل های ۵ و ۶ لازم است. فصل ۶ به ویژه در آموزش مهمترین تکنیک های یادگیری عمیق مفید است، حتی اگر شما فقط در مورد مفاهیم و نتایج مثال ها مطالعه کنید. گاهی اوقات به نظر می رسد معادلات پیش زمینه تئوری را ارائه می هند. با این حال آنها صرفا عملیاتی پایه ای هستند. در حقیقت، خواندن و یادگیری این مطالب، شما را برای رسیدن به درک کلی مفاهیم کمک می کنند.

سازمان دهی کتاب

این کتاب شامل شش فصل است که می تواند به سه موضوع تقسیم شود. اولین موضوع، یادگیری ماشین است و در فصل ۱ جای دارد. یادگیری عمیق ناشی از یادگیری ماشین (Machine Learning) است. این بدان معنی است که اگر شما می خواهید ماهیت یادگیری عمین را درک کنید، باید فلسفه ای را بدانید که پشت یادگیری ماشین وجود دارد. فصل ۱ با رابطه بین یادگیری ماشین و یادگیری عمیق شروع می شود، به دنبال آن راهبردهای حل مسئله و محدودیت های اساسی یادگیری ماشین می آید. تکنیک های دقیق در این فصل معرفی نشده است. در عوض، مفاهیم اساسی پوشش داده می شوند که برای شبکه های عصبی و یادگیری عمیق به کار می روند.

موضوع دوم، شبکه عصبی مصنوعی (Artificial neural networks – ANN) است. فصل ۲ و ۴ بر این موضوع تمرکز دارد. همانطور که یادگیری عمیق نوعی یادگیری ماشین است که شبکه عصبی را به کار می گیرد، شبکه عصبی از یادگیری عمیق جدانشدنی است. فصل ۲ با مبانی شبکه عصبی شروع می شود: اصول عملیات، معماری و قوانین یادگیری. همچنین دلیل تبدیل معماری تک لایه ساده به معماری چندلایه پیچیده بیان میشود. در فصل ۳، الگوریتم پس انتشار (Back Propagation – BP) ارائه می شود که یکی از مهم ترین مؤلفه های یادگیری شبکه عصبی است و همچنین در یادگیری عمیق استفاده می شود. در این فصل توضیح داده می شود که چگونه توابع هزینه و قوانین یادگیری مرتبط هستند و کدام توابع هزینه به طور گسترده در یادگیری عمیق استفاده می شوند.

در فصل ۴ بیان می شود که چگونه شبکه های عصبی را برای دسته بندی مسائل به کار می برند. بخشی جداگانه را برای طبقه بندی اختصاص داده ایم؛ زیرا در حال حاضر، طبقه بندی بیشترین برنامه کاربردی یادگیری ماشین است. به عنوان مثال، تشخیص تصویر، یکی از برنامه های اولیه یادگیری عمیق، موضوعی در طبقه بندی است. موضوع سوم، یادگیری عمیق است. این موضوع اصلی این کتاب است. یادگیری عمیق در فصل ۵ و ۶ پوشش داده شده است. در فصل ۵، عملگرهایی معرفی می شوند. برای درک بهتر، این فصل با تاریخچه موانع و راه حل های یادگیری عمیق آغاز می شود. فصل ۶ شبکه عصبی کانولوشن را پوشش می دهد که از تکنیک های فراگیر یادگیری عمیق بهره می برد.

شبکه عصبی کانوولوشن (Convolution Neural Networks) ، دومین روش تشخیص تصویر در بین روش های تشخیص تصویر است. این فصل با مقدمه مفاهیم اساسی و معماری شبکه عصبی کانولوشن در مقایسه با الگوریتم های تشخیص تصویر قبلی آغاز می شود. در ادامه، توضیح نقش ها و عملیات لایه کانولوشن و لایه ادغام (pooling) می آید که به عنوان اجزای اصلی شبکه عصبی کانولوشن عمل می کنند. این فصل با نمونه ای از تشخیص تصویر دیجیتال به پایان می رسد که با استفاده از شبکه عصبی کانولوشن (CNN) انجام شده، تغییرات تصویر در لایه ها را بررسی می کند.