معرفی و دانلود کتاب شبکه‌های عصبی و یادگیری عمیق

معرفی کتاب شبکه‌های عصبی و یادگیری عمیق

شبکه‌های عصبی، مدلی شبیه‌سازی‌شده از سیستم عصبی انسان هستند تا به یادگیری ماشین کمک کنند و هوش مصنوعی را توسعه دهند. کتاب شبکه‌های عصبی و یادگیری عمیق، یک منبع غنی آموزشی محسوب می‌شود که تئوری و الگوریتم‌های یادگیری عمیق را مورد بررسی قرار داده و برای تمام سوالاتی که در رابطه با این مباحث دارید، پاسخی در اختیار شما می‌گذارد. چارو سی. آگروال نویسنده‌ی این اثر و عین الله جعفرنژاد قمی مترجم آن است.

درباره‌ی کتاب شبکه‌های عصبی و یادگیری عمیق

به طور کلی، شبکه‌های عصبی مصنوعی، شاخه‌ای از مدل‌های یادگیری ماشین محسوب می‌شوند که بر اساس سیستم‌های عصبی بیولوژیکی ساخته شده‌اند. هدف شبکه‌های عصبی، توسعه‌ی هوش مصنوعی تا نزدیک‌ترین حالت ممکن به توانایی‌های انسانی‌ست، هرچند که چنین امری پیچیدگی‌های فراوانی دارد. از این رو نیاز است تا مفاهیم مرتبط با شبکه‌های عصبی و یادگیری ماشین تا حدی توسعه داده شوند که ماشین لرنینگ به صورت عمیق میسر شود. میزان تاثیرگذاری تئوری‌ها و الگوریتم‌های شبکه‌های عصبی بر درک روند یادگیری عمیق نیز بسیار قابل‌توجه است. کتاب شبکه‌های عصبی و یادگیری عمیق (Neural Networks and Deep Learning)، علاوه بر بررسی دقیقی که در رابطه با تئوری‌ها و الگوریتم‌های یادگیری عمیق، هم در مدل کلاسیک و هم در مدل مدرن، ارائه می‌دهد، پاسخگوی سوالات متعددی‌ست که ممکن است در زمینه‌ی شبکه‌های عصبی برای شما به وجود بیایند.

این اثر از چارو سی. آگروال (Charu C. Aggarwal)، بر 3 موضوع اصلی متمرکز شده است که عبارتند از: مبانی شبکه‌های عصبی، چالش‌های آموزش شبکه‌های عصبی و معماری‌ها و کاربردهای پیشرفته. کتاب حاضر با مقدمه‌ای مفصل در رابطه با ساختار و کاربردهای شبکه‌های عصبی ساده آغاز شده است. فصل‌های اولیه، ارتباطات کلیدی و بسیار مفیدی را که بین روش‌های یادگیری ماشین مرسوم و نحوه‌ی ساخت شبکه‌های عصبی وجود دارد را بررسی می‌کند. مثال‌ها و جزئیات فراوانی نیز برای هدایت کاربر در سناریوهای پیچیده ارائه شده است. بررسی رابطه‌ی بین ماشین لرنینگ و شبکه‌های عصبی که از اهمیت بالایی برخوردار است نیز، در این بخش‌ها انجام شده است. در ادامه‌ی کتاب شبکه‌های عصبی و یادگیری عمیق، چالش‌هایی که در استفاده و آموزش شبکه‌های عصبی وجود دارند و مسائل مربوط به عمق شبکه، مطرح می‌شوند. همچنین، معماری‌های تخصصی که باعث موفقیت طراحی شبکه‌های عصبی شده‌اند و کلید اصلی درک عملکرد شبکه‌ها در حوزه‌های مختلف هستند، به صورت کامل توضیح داده شده‌اند.

اگر دانش اولیه‌ای در زمینه‌ی یادگیری ماشین داشته باشید و به مفاهیم احتمالات و جبر خطی مسلط باشید، این کتاب آموزشی می‌تواند ثمرات فراوانی را برای شما به همراه داشته باشد. به علاوه در پایان هر فصل، تمرینات متعددی برای درک بهتر مفاهیم آورده شده‌اند. با مطالعه‌ی کتاب شبکه‌های عصبی و یادگیری عمیق، درک خوبی از عملکرد شبکه‌های عصبی و چگونگی استفاده از آن‌ها، تفاوت‌های شبکه‌های عصبی با سایر مدل‌های معمولی ماشین لرنینگ، ارتباط شبکه‌های عصبی و یادگیری ماشینی و جایگاهی که این شبکه‌ها در حوزه‌ی ماشین لرنینگ دارند، به دست خواهید آورد.

این اثر توسط چارو سی. آگروال نوشته شده، عین الله جعفرنژاد قمی آن را ترجمه کرده و توسط انتشارات علوم رایانه به چاپ رسیده است.

کتاب شبکه‌های عصبی و یادگیری عمیق برای چه کسانی مناسب است؟

مطالعه‌ی این منبع آموزشی را به دانشجویان حوزه‌ی علوم کامپیوتر، یادگیری ماشین و هوش مصنوعی و علاقه‌مندان به این حوزه‌ها پیشنهاد می‌کنیم. توجه کنید که برای کسب ثمرات بیشتر از این کتاب، بهتر است بر مفاهیم اولیه‌ی ماشین لرنینگ تسلط داشته باشید.

در بخشی از کتاب شبکه‌های عصبی و یادگیری عمیق می‌خوانیم

شبکه‌های عصبی چندلایه بیش از یک لایه‌ی محاسباتی دارند. پرسپترون شامل یک لایه ورودی و خروجی است که لایه‌ی خروجی تنها لایه‌ای است که محاسبات را انجام می‌دهد. لایه‌ی ورودی داده‌ها را به لایه‌ی خروجی انتقال می‌دهد و تمام محاسبات به طور کامل برای کاربر قابل رویت است. شبکه‌های عصبی چندلایه شامل چندین لایه می‌شوند؛ لایه‌های میانی سنتی (بین ورودی و خروجی) را لایه‌های پنهان می‌نامند، زیرا کاربر محاسبات انجام شده را نمی‌بیند. معماری خاص شبکه‌های عصبی چندلایه را شبکه‌های پیشخور می‌نامند، زیرا لایه‌های بعدی، در جهت مستقیم از ورودی به خروجی، در یکدیگر تغذیه می‌شوند. معماری پیش‌فرض شبکه‌های پیشخور فرض می‌کند که تمام گره‌ها در یک لایه، به گره‌های لایه‌ی بعدی متصل می‌شوند. بنابراین، وقتی تعداد لایه‌ها و تعداد نوع گره‌ها در هر لایه مشخص باشد، معماری شبکه‌ی عصبی تقریباً به طور کامل تعریف شده است. تنها جزئیات باقی‌مانده، تابع ضرر است که در لایه‌ی خروجی بهینه‌سازی می‌شود. گرچه الگوریتم پرسپترون از معیار پرسپترون استفاده می‌کند، ولی تنها انتخاب نیست. استفاده از خروجی‌های سافت‌مکس همراه با ضرر آنتروپی متقابل برای پیش‌بینی گسسته و خروجی‌های خطی همراه با ضرر مربعی برای پیش‌بینی مقادیر حقیقی، بسیار متداول است.

فهرست مطالب کتاب

فصل اول: مقدمه‌ای بر شبکه‌های عصبی
فصل دوم: یادگیری ماشین با شبکه‌های عصبی کم‌عمق
فصل سوم: آموزش شبکه‌های عصبی عمیق
فصل چهارم: آموزش یادگیری‌های عمیق برای تعمیم
فصل پنجم: شبکه‌های تابع پایه‌ی شعاعی
فصل ششم: ماشین‌های بولتزمن محدود
فصل هفتم: شبکه‌های عصبی بازگشتی
فصل هشتم: شبکه‌های عصبی پیچشی
فصل نهم: یادگیری تقویتی عمیق