معرفی و دانلود کتاب یادگیری عمیق با MATLAB

معرفی کتاب یادگیری عمیق با MATLAB

کتاب یادگیری عمیق با MATLAB نوشته‌ی فیل کیم، به آموزش کامل مباحثی چون یادگیری ماشین، شبکه عصبی هوشمند و طبقه‌بندی آن، یادگیری عمیق و... می‌پردازد.

درباره‌ی کتاب یادگیری عمیق با MATLAB:

کتاب «یادگیری عمیق با MATLAB» با عنوان انگلیسی (MATLAB Deep Learning) برای دو دسته از افراد نوشته ‌شده است. ابتدا افرادی که قصد دارند یادگیری عمیق را در یک رویکرد سیستماتیک برای تحقیق و توسعه بیشتر مطالعه کنند. این افراد باید همه‌ی مطالب را از ابتدا تا انتها بخوانند. کد نمونه به‌ ویژه برای درک بیشتر مفاهیم بسیار مفید خواهد بود. تلاش زیادی برای ساخت نمونه‌های مناسب و پیاده‌سازی آن‌ها انجام ‌شده است. کدهای نمونه به ‌گونه‌ای ساخته ‌شده‌اند که خواندن و فهم آن‌ها آسان باشد. این کدها برای خوانایی بهتر در متلب نوشته ‌شده‌اند. هیچ زبانی بهتر از متلب وجود ندارد که بتواند ماتریس‌های یادگیری عمیق را به روشی ساده و شهودی مدیریت کند. کدهای نمونه فقط از توابع اساسی و گرامر استفاده کرده‌اند به ‌طوری‌ که حتی کسانی که با متلب آشنایی ندارند به ‌راحتی می‌توانند مفاهیم آن را درک کنند. برای کسانی که با برنامه‌نویسی آشنا هستند درک کدهای نمونه آسان‌تر از متن این کتاب است.

دوم افرادی هستند که اطلاعات عمیق‌تری درباره‌ی یادگیری عمیق می‌خواهند تا آنچه از مجلات یا روزنامه‌ها می‌توان دریافت کرد اما نمی‌خواهند به ‌طور رسمی مطالعه کنند. این افراد می‌توانند از کد مثال بگذرند و به ‌طور مختصر توضیحات مفاهیم را مرور کنند. چنین افرادی ممکن است به‌ ویژه بخواهند قوانین یادگیری شبکه‌ی عصبی را نادیده بگیرند. در عمل حتی توسعه‌دهندگان به ‌ندرت احتیاج به پیاده‌سازی قوانین یادگیری دارند چرا که کتاب‌خانه‌های مختلف یادگیری عمیق در دسترس است. بنابراین کسانی که هرگز نیازی به توسعه ندارند لازم نیست با آن به‌ زحمت بیفتند. با این‌حال به فصل‌های 1 و 2 و فصل 5 و 6 بیشتر توجه کنید. فصل 6 به ‌ویژه در گرفتن تکنیک‌های مهم یادگیری عمیق بسیار مفید خواهد بود حتی اگر شما مفاهیم و نتایج مثال‌ها را بخوانید. معادلاتی که گاه‌ و بیگاه ظاهر می‌شوند یک زمینه‌ی نظری را ارائه می‌کنند. با این‌حال آن‌ها فقط عملیات اساسی هستند. حقیقتاً خواندن و یادگیری موضوعی که شما بتوانید تحمل کنید، درنهایت شما را به درک کلی مفاهیم می‌رساند.

کتاب یادگیری عمیق با MATLAB به چه مباحثی می‌پردازد؟

این کتاب حاوی شش فصل است که می‌تواند در سه گروه طبقه‌بندی شود. اولین موضوع یادگیری ماشین است و در فصل 1 انجام می‌شود. یادگیری عمیق از یادگیری ماشین نشات می‌گیرد. این بدان معنی است که اگر شما بخواهید اصل یادگیری ماشین را درک کنید می‌بایست تا حدودی فلسفه‌ی پشت یادگیری ماشین را بدانید.

موضوع دوم شبکه‌ی مصنوعی هوشمند است که فصل‌های 2 تا 4 بر روی این موضوع تمرکز دارد. چون یادگیری عمیق نوعی از یادگیری ماشین است که از شبکه‌ی عصبی استفاده می‌کند، شبکه‌ی عصبی از یادگیری عمیق جدا نیست.

مبحث سوم موضوع اصلی این کتاب یعنی یادگیری عمیق است که در فصل 5 و 6 آمده است. فصل 5 محرک‌هایی را معرفی می‌کند که یادگیری عمیق را قادر به عملکرد عالی می‌کند. فصل 6 شبکه‌ی عصبی کانولوشن را پوشش می‌دهد که نماینده‌ی تکنیک‌های یادگیری عمیق است.

فیل کیم را (Pill Kim) بیشتر بشناسیم:

او برنامه‌نویس و کاربر کارآزموده متلب است. فیل با الگوریتم‌های مجموعه داده‌های بزرگ گرفته شده از هوش مصنوعی و یادگیری ماشین کار می‌کند. کیم در موسسه تحقیقات هوا فضا کره به عنوان کارشناس ارشد کار کرده است. در آنجا، وظیفه‌ی اصلی وی توسعه الگوریتم‌های پرواز مستقل و نرم‌افزارهای پردازنده برای هواپیماهای بدون سرنشین بود. فیل کیم در دوره تحصیل در مقطع دکترا یک برنامه صفحه کلید روی صفحه‌ای به نام «Clickly» ایجاد کرد که به عنوان پلی برای رساندن وی به وظیفه‌ی فعلی خود به عنوان یک افسر ارشد تحقیقات در انستیتوی توان‌بخشی کره نقش داشت.

کتاب یادگیری عمیق با MATLAB مناسب چه کسانی است؟

این کتاب برای علاقه‌مندان به علوم کامپیوتر و برنامه‌نویسی، کاربردی و سودمند است.

در بخشی از کتاب یادگیری عمیق با MATLAB می‌‌خوانیم:

مبالغه نیست که بگوییم مسائل یادگیری ماشین از این موضوع سرچشمه می‌گیرند. برای مثال داده‌های آموزشی که از دستخط یک فرد مجزا تشکیل شده است چه استفاده‌ای دارند؟ آیا مدل این داده‌های آموزشی، دستخط دیگران را تشخیص می‌دهد؟ امکان این تشخیص بسیار پایین است.

رویکردهای یادگیری ماشین نمی‌توانند با داده‌های آموزشی غلط به هدف دلخواه برسند. بنابراین رسیدن به داده‌های آموزشی بی طرفانه برای رویکردهای یادگیری ماشین، مسئله‌ی مهمی است به طوری که این داده‌های آموزشی بتوانند مشخصه‌های ویژگی‌های داده‌ها را به طور کامل منعکس کنند. فرآیند استفاده از عملکرد مدل ساخته شده، بدون در نظر گرفتن داده‌های آموزشی با داده‌های ورودی "تعمیم پذیری" نامیده می‌شود (جهت پیش بینی داده‌های جدید). موفقیت یادگیری ماشینی تا حد زیادی به خوب بودن تعمیم پذیری متکی است.

فهرست مطالب کتاب

فصل اول: یادگیری ماشین
فصل دوم: شبکه عصبی
فصل سوم: آموزش شبکه عصبی
فصل چهارم: شبکه عصبی و طبقه‌‌بندی
فصل پنجم: یادگیری عمیق
فصل ششم: شبکه‌ی عصبی کانولوشن