کتاب یادگیری عمیق برای انسان‌ها: درک کنید که شبکه‌های عصبی چگونه کار می‌کنند

کتاب یادگیری عمیق برای انسان‌ها: درک کنید که شبکه‌های عصبی چگونه کار می‌کنند نوشته‌ی محیط دشپنده، به مباحثی چون پرسپترون‌ها، راهنمای کامل برای شبکه‌های عصبی عمیق، شبکه‌های کانولوشن برای بینایی ماشین، راهنمایی برای بهبود کارایی یادگیری عمیق و ... می‌پردازد.

درباره‌ی کتاب یادگیری عمیق برای انسان‌ها:

هدف الگوریتم‌های یادگیری عمیق، یافتن تعدادی سطح از نمایش‌های پخش شده از داده ورودی است که خود زیرمجموعه‌ای از الگوریتم‌های یادگیری ماشین محسوب می‌شوند. به تازگی برای یافتن مسائل هوش مصنوعی الگوریتم‌های یادگیری عمیق زیادی ارائه می‌شوند که محیط دشپنده (Mohit Deshpande) در کتاب یادگیری عمیق برای انسان‌ها (Deep Learning For Human Beings) گزیده‌ای از تعدادی روش و شیوه‌ی یادگیری عمیق گوناگون و پیشرفت‌های اخیر آن‌ها را ارائه می‌کند.

شبکه عصبی عمیق در زمینه بینایی همانند دسته‌بندی تصاویر، شناسایی اشیاء، استخراج تصاویر و قطعه‌بندی معنایی دارد. خصوصیتی بسیار مهمی که در کتاب حاضر وجود دارد، ساختار‌سازی الگوریتم‌های مربوط به شبکه عصبی عمیق به وسیله‌ی زبان برنامه‌نویسی پایتون است.

شبکه‌های عصبی طی چند سال گذشته بسیار محبوب شده‌اند و معماری‌های جدید، انواع نورون‌ها، توابع فعال‌سازی و تکنیک‌های آموزش در تمامی اوقات در مقالات ظاهر می‌شوند. اما بدون درک اساسی از شبکه‌های عصبی، همگام شدن با کارهای جدید در این زمینه کاملا دشوار است.

برای درک رویکردهای مدرن، باید کوچک‌ترین و بنیادی‌ترین بلوک ساختاری شبکه‌های عصبی عمیق اعصاب را درک کنید؛ نورون. به طور خاص، خواهید دید که چگونه می‌توان چندین نورون را در یک لایه ترکیب کرد و یک شبکه عصبی به نام پرسپترون (perceptron) ایجاد کرد. در این کتاب، برای ساخت یک شبکه پرسپترون، از ابتدا الگوریتم یادگیری با کد پایتون (با استفاده از numpy) پیاده‌سازی شده است.

کتاب یادگیری عمیق برای انسان‌ها مناسب چه کسانی است؟

این کتاب برای افراد علاقه‌مند به علوم کامپیوتر و شبکه‌ی عصبی، اثری کاربردی و مفید خواهد بود.

در بخشی از کتاب یادگیری عمیق برای انسان‌ها می‌خوانیم:

بسیاری از مدل‌های شبکه عصبی، مانند شبکه‌های عصبی مصنوعی ساده یا شبکه‌های عصبی کانولوشنال، عملکرد خوبی در طیف گسترده‌ای از مجموعه داده‌ها دارند. آن‌ها در زمینه‌های ریاضیات، فیزیک، پزشکی، زیست‌شناسی، جانورشناسی، امور مالی و بسیاری زمینه‌های دیگر مورداستفاده قرار می‌گیرند. با این حال، یک نقص عمده‌ای در آن‌ها وجود دارد: آن‌ها به ورودی‌های با اندازه ثابت نیاز دارند! ورودی‌های یک شبکه عصبی ساده یا یک شبکه عصبی کانولوشال برای یادگیری، تست و استقرار باید دارای یک اندازه باشد! این بدان معنی است که نمی‌توانیم از این معماری‌ها برای داده‌های پی دربی با داده‌های سری زمانی (time serie) استفاده کنیم.

اما شبکه‌های عصبی بازگشتی (recurrent neural networks) برای صرفه جویی در زمان ارائه می‌شوند؟ شبکه‌های عصبی باز گشتى (RNNs) را تعریف و فرموله خواهیم کرد. در مورد روش استفاده از آن‌ها برای مدل سازی پی در پی و همچنین تولید دنباله (sequence generation) بحث خواهیم کرد. سپس یک شبکه عصبی بازگشتی مبتنی بر کاراکتر (character - based recurrent neural network) را از ابتدا پیاده‌سازی می‌کنیم، بدون این که هیچ کتابخانه‌ای خارجی داشته باشد. سرانجام، RNN خود را با شکسپیر آموزش خواهیم داد و متن جدید شکسپیر را تولید می‌کنیم!