معرفی و دانلود کتاب یادگیری عمیق با پایتون

معرفی کتاب یادگیری عمیق با پایتون

فرانسوا شوله در کتاب یادگیری عمیق با پایتون، می‌کوشد حوزه‌ی یادگیری ژرف را با کمک زبان برنامه‌نویسی پایتون و کتابخانه‌ی کراس معرفی کند و مفاهیم اصلی آن را به مخاطب بیاموزد. شوله که مهندس و محقق هوش مصنوعی شرکت گوگل است، در این کتاب راهنما توضیحاتی کاربردی و مثال‌هایی عملی ارائه می‌دهد که کمک می‌کنند در این رشته‌ی مهم درک و مهارت بهتری پیدا کنید.

درباره‌ی کتاب یادگیری عمیق با پایتون

یادگیری عمیق یکی از شاخه‌های یادگیری ماشین و زیرمجموعه‌ی هوش مصنوعی محسوب می‌شود. به عبارت ساده‌تر یادگیری ژرف در تلاش است سیستم هوشمندی را خلق کند که مشابه انسان فکر و تصمیم‌گیری می‌کند. این مدل این امکان را در اختیار مخاطبان قرار می‌دهد که بتوانند داده‌های بسیار بزرگ را جمع‌آوری و تجزیه‌وتحلیل کرده و به کمک آن‌ها حالت‌های مختلف یک پدیده را پیش‌بینی نمایند. مدل یادگیری عمیق ساختاری مشابه مغز انسان دارد که در اصطلاح به آن شبکه‌ی عصبی گفته می‌شود. درواقع کلان داده‌ها ابتدا وارد این شبکه می‌شوند، مثل مغز روی آن‌ها پردازش صورت می‌گیرد، سپس وزن پیدا می‌کنند و درنهایت در موردشان تصمیم‌گیری می‌شود. با گسترش هوش مصنوعی، حوزه‌ی یادگیری عمیق هم اهمیت بیشتری پیدا کرده و کاربردی‌تر شده. کتاب یادگیری عمیق با پایتون (Deep Learning with Python) نوشته فرانسوا شوله (Francois Chollet) تلاش می‌کند مفاهیم و کلیات این رشته را خیلی ساده آموزش دهد. این راهنما از زبان برنامه‌نویسی پایتون برای آموزش استفاده می‌کند.

فرانسوا شوله متخصص هوش مصنوعی و مبدع کتابخانه کراس است؛ کتابخانه‌ای به زبان پایتون که برای مدل‌های یادگیری عمیق نوشته شده. شوله در کتاب یادگیری عمیق، برای آموزش این مدل از همین کتابخانه‌ی کاربردی بهره می‌برد. او کتابش را در دو بخش ارائه می‌کند:

در بخش اول کتاب یادگیری عمیق با پایتون مفاهیم بنیادین یادگیری ژرف بیان می‌شود. در این قسمت در مورد شبکه‌ی عصبی و یادگیری ماشین هم به‌تفصیل بحث صورت می‌گیرد. بخش دوم کتاب به کاربردهای واقعی یادگیری عمیق می‌پردازد. در این قسمت خواننده ارتباط دیپ لرنینگ و حوزه‌ی بینایی کامپیوتری یا تأثیر آن را روی متون درک خواهد کرد. شوله سعی می‌کند هر یک از این مفاهیم را با مثال و نمونه ارائه دهد تا مخاطب دید بهتری از مطالب پیدا کند.

کتاب یادگیری عمیق با پایتون را جواد وحیدی و ارشیا اموری سرابی برای انتشارات فناوری نوین ترجمه کرده‌اند.

(این کتاب دارای حجم بیش از 20 مگابایت هست، لطفاً قبل از خرید، نسخه نمونه را دریافت و از صحت نمایش کتاب در موبایل یا تبلت اطمینان حاصل کنید.)

در نکوداشت کتاب یادگیری عمیق با پایتون

• این واضح‌ترین کتابی است که در مورد یادگیری عمیق دیده‌ام... از خواندنش لذت بردم. (ریچارد توبیاس، مدیرعامل شرکت سِفیاسونیک)

کتاب یادگیری عمیق با پایتون برای چه کسانی مناسب است؟

این کتاب راهنما به برنامه‌نویسان و علاقه‌مندان به هوش مصنوعی و یادگیری ماشین توصیه می‌شود. همه‌ی دوستداران تکنولوژی و دنیای کامپیوتر و فناوری اطلاعات نیز از خواندن این کتاب بهره خواهند برد.

با فرانسوا شوله بیشتر آشنا شویم

فرانسوا شوله (متولد 1989) مهندس نرم‌افزار و محقق هوش مصنوعی است. او مبدع کتابخانه‌ی یادگیری عمیق کراس و یکی از توسعه‌دهندگان اصلی کتابخانه‌ی یادگیری ماشین تنسورفلو است. شوله از دانشگاه ENSTA پاریس فارغ‌التحصیل شد و از سال 2015 به استخدام شرکت گوگل درآمد. او در تحقیقاتش روی بینایی کامپیوتری، یادگیری ماشین و هوش جامع مصنوعی متمرکز شده است. این نویسنده در سال 2021 توانست جایزه‌ی جهانی هوش مصنوعی سوئیس را به دست آورد.

در بخشی از کتاب یادگیری عمیق با پایتون می‌خوانیم

یادگیری عمیق خود صرفاً کاربرد این دستور در بهینه‌سازی پیوسته از طریق گرادیان کاهشی است: شما یک تکنیک بهینه‌سازی کلاسیک گرادیان کاهشی بر فضای تابع پیوسته را انتخاب می‌کنید و فضای جستجو را به صورت ماژول‌ها (لایه‌ها) می‌سازید که در یک سلسله مراتب عمیق سازماندهی شده‌اند. (اغلب فقط یک پشته، ساده‌ترین نوع سلسله مراتب)، که در آن شما از هر چیزی که می‌توانید مجدداً استفاده می‌کنید (به عنوان مثال کانولوشن‌ها همه در مورد استفاده مجدد از همان اطلاعات در مکان‌های مختلف فضایی هستند).

فهرست مطالب کتاب

فصل اول: یادگیری عمیق چیست؟
فصل دوم: بلوک‌های سازنده ریاضی شبکه‌های عصبی
فصل سوم: مقدمه‌ای بر Keras و TensorFlow
فصل چهارم: شروع کار با شبکه‌های عصبی: طبقه‌بندی و رگرسیون
فصل پنجم: مقدمات یادگیری ماشین
فصل ششم: جریان کاری کلی یادگیری ماشین
فصل هفتم: کار با کراس: یک نگاه عمیق
فصل هشتم: مقدمه‌ای بر یادگیری عمیق در بینایی ماشین
فصل نهم: یادگیری عمیق پیشرفته برای بینایی کامپیوتر
فصل دهم: یادگیری عمیق برای سری‌های زمانی
فصل یازدهم: یادگیری عمیق برای متن
فصل دوازدهم: یادگیری عمیق مولد
فصل سیزدهم: بهترین رویکردها در دنیای واقعی
فصل چهاردهم: نتیجه‌گیری