معرفی و دانلود کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی

معرفی کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی

کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی نوشته‌ی فیل کیم راهنمایی برای دانشجویان و محققان رشته‌های ریاضی و مهندسی است که به مباحث مرتبط با ماشین لرنینگ و شبکه‌های عصبی علاقه‌مند هستند. این کتاب مباحث تخصصی مرتبط با نرم‌افزار متلب را نیز با جزئیات توضیح می‌دهد.

درباره‌ی کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی

ریاضیات، زبان مشترک بسیاری از علوم مهندسی است و یکی از مهم‌ترین درس‌هایی است که دانشجویان این رشته‌ها باید یاد بگیرند. در کنار کسب این دانش، ابزارهای متنوعی نیز وجود دارد که باید هم‌سو با علم ریاضی به کار گرفته شوند. یکی از این ابزارها که در قالب نرم‌افزاری قوی عرضه شده، Matlab است. متلب نرم‌افزاری قدرتمند برای دانشجویان و محققان رشته‌های ریاضی و مهندسی است که برای کمک به حل مسائل تئوری ماتریس‌ها، جبر خطی و آنالیز عددی طراحی شده است. کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی (MATLAB Deep Learning) نوشته‌ی فیل کیم (Pill Kim) راهنمایی برای یادگیری این نرم‌افزار است.

در حال حاضر هزاران کاربر دانشگاهی، آکادمیک، صنعتی و... در حوزه‌های بسیار متنوع علم مهندسی مانند ریاضیات پیشرفته، جبر خطی، مخابرات، مهندسی سیستم و... از MATLAB استفاده می‌کنند و این نرم‌افزار به عنوان یکی از اولین محیط‌های محاسباتی و تکنیکی که قادر به حل این دست از مسائل است، به کار می‌رود. ماتریس‌ها، رشته‌های عددی اطلاعات، معادلات دیفرانسیل، ترسیمات و گراف‌ها از مهم‌ترین عناصر علم ریاضی هستند که در نرم‌افزار MATLAB نیز به کار گرفته می‌شوند. درحال‌حاضر متلب یک سیستم مؤثر و زبان برنامه‌نویسی بسیاری از محاسبات علمی و مهندسی است.

یادگیری نرم‌افزار متلب

کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی از شش فصل تشکیل شده است که می‌توان آن‌ها را در سه موضوع طبقه‌بندی کرد. یادگیری ماشین اولین موضوع است که در فصل 1 مطرح شده است. از آنجا که یادگیری عمیق بر مبنای یادگیری ماشین شکل گرفته است، اگر بخواهید اساس یادگیری عمیق را بفهمید، باید فلسفه‌ای که در پس یادگیری ماشین قرار دارد را تا حدودی درک کنید. فصل اول با رابطه‌ی میان یادگیری ماشین و یادگیری عمیق آغاز می‌شود و با راهبردهای حل مسائل و محدودیت‌های ذاتی یادگیری ماشین ادامه می‌یابد.

موضوع دوم کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی، شبکه‌های عصبی مصنوعی است که نویسنده در فصل‌های 2 تا 4 بر آن‌ها تمرکز می‌کند. از آنجایی که یادگیری عمیق نوعی از یادگیری ماشین است که از شبکه‌ی عصبی استفاده می‌کند، شبکه‌ی عصبی و یادگیری عمیق از یکدیگر قابل تفکیک نیستند. فصل 2 با مبانی شبکه‌های عصبی، شامل مبانی عملکرد، معماری و قوانین یادگیری آغاز می‌شود و سپس دلیل سیر تکاملی از شبکه‌ی عصبی تک‌لایه به شبکه‌ی عصبی چندلایه نیز ارائه می‌شود. فصل 3 الگوریتم پس‌انتشار را معرفی می‌کند که قانون یادگیری مهمی در شبکه‌های عصبی است و همچنین در یادگیری عمیق نیز به کار می‌رود. فصل 4 کتاب چگونگی استفاده از شبکه‌های عصبی در مسائل رده‌بندی را نشان می‌دهد.

موضوع سوم کتاب، یادگیری عمیق است که موضوع اصلی کتاب نیز به شمار می‌رود. یادگیری عمیق در فصل‌های 5 و 6 توضیح داده شده است. فصل 5 عواملی را که موجب کارایی بسیار بالای یادگیری عمیق شده‌اند، معرفی می‌کند. فصل 6 مفهوم شبکه‌های عصبی کانولوشنال را ارائه می‌کند که یکی از مهم‌ترین روش‌های یادگیری عمیق است. شبکه عصبی کانولوشنال در تشخیص تصاویر کاربرد زیادی دارد. این فصل با معرفی مفاهیم اساسی و معماری شبکه‌ی عصبی کانولوشنال و مقایسه‌ی آن با الگوریتم‌های قدیمی‌تر تشخیص تصاویر آغاز شده و با توضیح نقش‌ها و عملکرد لایه‌ی کانولوشن و لایه‌ی ادغام که اجزای اساسی تشکیل‌دهنده‌ی شبکه‌ی عصبی کانولوشنال هستند، ادامه می‌یابد.

کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی کاری از انتشارات دانشگاهی کیان است که با همت علی توتونچیان به فارسی ترجمه شده است.

کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی برای شما مناسب است اگر

• به علوم کامپیوتر و برنامه‌نویسی علاقه‌مند هستید.
• محقق یا دانشجوی رشته‌های ریاضی و مهندسی هستید.
• مایلید نرم‌افزار متلب را با جزئیات یاد بگیرید.

در بخشی از کتاب یادگیری عمیق با MATLAB همراه با یادگیری ماشین و شبکه‌های عصبی می‌خوانیم

3. آموزش دسته‌ای جزیی: روش آموزش دسته‌ای جزیی از تلفیق دو روش SGD و آموزش دسته‌ای حاصل شده است. این روش بخشی از یک مجموعه داده را انتخاب کرده و از آن‌ها برای آموزش شبکه به روش دسته‌ای استفاده می‌کند؛ به این صورت که تغییرات وزنی داده‌های انتخاب شده را محاسبه کرده و شبکه عصبی را با میانگین این تغییرات وزنی آموزش می‌دهد. برای مثال اگر 20 نقطه‌ی دلخواه از میان 100 داده انتخاب شود، روش دسته‌ای به این 20 داده اعمال می‌شود (محاسبه‌ی میانگین تغییرات وزن و اعمال یکباره به شبکه). سپس 20 نقطه‌ی دیگر انتخاب و آموزش دسته‌ای بر مبنای آن‌ها انجام می‌شود. این فرایند در کل 5 بار رخ می‌دهد تا از همه‌ی داده‌ها برای آموزش شبکه عصبی استفاده شود

(100/20=5). شکل 2 - 17 چگونگی انتخاب داده‌ها و آموزش شبکه عصبی با روش آموزش دسته‌ای جزیی را نشان می‌دهد.

فهرست مطالب کتاب

فصل اول: یادگیری ماشین
یادگیری ماشین چیست؟
چالش‌های یادگیری ماشین
Overfitting
مقابله با Overfitting
انواع یادگیری ماشین
طبقه‌بندی و رگرسیون
خلاصه فصل
فصل دوم: شبکه‌های عصبی
گره‌های شبکه عصبی
لایه‌های شبکه عصبی
یادگیری نظارت‌شده شبکه عصبی
آموزش یک شبکه عصبی تک‌لایه: قانون دلتا
قانون دلتای تعمیم‌یافته
SGD، آموزش دسته‌ای و آموزش دسته‌ای جزیی
پیاده‌سازی به روش SGD
پیاده‌سازی به روش آموزش دسته‌ای
مقایسه روش‌های SGD و آموزش دسته‌ای
محدودیت‌های شبکه عصبی تک‌لایه
خلاصه فصل
فصل سوم: آموزش شبکه عصبی چندلایه
الگوریتم پس‌انتشار
مسئله XOR
مومنتوم
تابع هزینه و قانون یادگیری
تابع انتروپی متقاطع
مقایسه توابع هزینه
خلاصه فصل
فصل چهارم: طبقه‌بندی با شبکه عصبی
طبقه‌بندی باینری
طبقه‌بندی چنددسته‌ای
مثالی از طبقه‌بندی چنددسته‌ای
خلاصه فصل
فصل پنجم: یادگیری عمیق
بهبود شبکه عصبی عمیق
گرادیان نزولی
Overfitting
بار محاسباتی
تابع ReLU
Dropout
خلاصه فصل
فصل ششم: شبکه عصبی کانولوشنال
معماری ConvNet
لایه کانولوشن
لایه ادغام
خلاصه فصل