کتاب اشتیاق آموزش ماشین

اندرو ان جی در کتاب اشتیاق آموزش ماشین کتابی فراتر از کد و معماری برای کسانی نگاشته که می‌خواهند پروژه‌های هوش مصنوعی را هوشمندانه هدایت کنند. این اثر که در گروه کتاب‌های هوش مصنوعی و شبکه‌‌ی عصبی طبقه‌بندی می‌شود، به شما می‌آموزد که چگونه مسیرهای احتمالی ارتقاء سیستم را اولویت‌بندی کرده، معیار ارزیابی مناسب را تعریف و خطاها را تحلیل کنید تا در نهایت بر اساس داده‌‌ها، تصمیمات استراتژیک بگیرید.

درباره‌ی کتاب اشتیاق آموزش ماشین

امروزه یادگیری ماشین به قلب بسیاری از فناوری‌های روز تبدیل شده است. این شاخه از هوش مصنوعی به سیستم‌ها توانایی می‌دهد تا بدون برنامه‌نویسی صریح، با یادگیری از داده‌ها تصمیم‌گیری کنند. از موتورهای جستجو و فیلترهای ضد اسپم گرفته تا دستیارهای صوتی مثل سیری و آلکسا، سامانه‌های تشخیص چهره، پیشنهاددهنده‌های کالا و خدمات مانند نتفلیکس، آمازون و اسپاتیفای و حتی سیستم‌های پزشکی و حمل‌ونقل تقریباً تمامی صنایع از این تکنیک استفاده می‌کنند. می‌توان ادعا کرد که سهم یادگیری ماشین در افزایش کیفیت خدمت‌رسانی، افزایش بهره‌وری و تصمیم‌گیری هوشمندانه سازمان‌ها، آن را به یکی از نقاط عطف فناوری تبدیل کرده است. به دلیل اهمیت این فناوری، اندرو ان جی (Andrew Ng) در کتاب اشتیاق آموزش ماشین (Machine Learning Yearning) راهنمایی عملی برای ساخت و مدیریت پروژه‌های یادگیری ماشین نگاشته است.

اندرو ان جی که بنیانگذار پروژه‌ی گوگل برِین است و در دانشگاه استنفورد و برخی از مؤسسه‌های تحقیقاتی در حوزه‌ی هوش مصنوعی و یادگیری ماشین فعالیت می‌کند، در کتاب اشتیاق آموزش ماشین تجربیات استراتژیک خود را در قالب مجموعه‌ای از فصل‌های کوتاه و عملی می‌آموزد. او در این کتاب از تعریف معیار واحد آغاز می‌کند. سپس با تجزیه و تحلیل خطاها، راه‌اندازی سیستم برای شبکه تا مدیریت عدم تطابق داده‌ها بین مجموعه‌های آموزشی و آزمایشی پیش می‌رود. این کتاب در 55 فصل کوتاه، شامل چگونگی انتخاب صحیح مسیر توسعه‌، تخصیص داده، ابزار ارزیابی و تصمیم‌گیری‌های استراتژیک می‌شود و به‌صورتی طراحی شده‌ تا تکنیک‌های تاکتیکی یادگیری عمیق را از سطح کد به سطح تصمیم‌گیری ارتقا دهد.

کتاب حاضر کتابی کاربردی، روان و ساده است که پیش‌نیازی جز فهم ابتدایی یادگیری نظارت‌شده و شبکه‌های عصبی ندارد و برخلاف کتاب‌های علمی سنگین، بدون استفاده از کدها و ریاضیات پیچیده بر تصمیم‌گیری‌های استراتژیک و هدایت فنی پروژه تمرکز می‌کند.

این کتاب را انتشارات زرنوشت با ترجمه‌ی امیررضا حاجی اربابی منتشر کرده است.

کتاب اشتیاق آموزش ماشین برای چه کسانی مناسب است؟

کتاب حاضر برای کسانی که می‌خواهند راهکاری عملی برای رشد سیستم‌های مبتنی بر یادگیری ماشین ارائه دهند و تصمیم‌سازی‌های فنی خود را به‌صورت داده‌محور و هدفمند پیش ببرند، کاملاً مناسب است.

در بخشی از کتاب اشتیاق آموزش ماشین می‌خوانیم

هنگام شروع یک پروژه جدید، سعی می‌کنم به سرعت مجموعه‌های توسعه‌دهنده/تست را انتخاب کنم، زیرا این به تیم یک هدف کاملا مشخص می‌دهد.

من معمولا از تیم هایم می‌خواهم که در کمتر از یک هفته یک مجموعه توسعه/تست اولیه و یک معیار اولیه ارائه دهند - به ندرت بیشتر. بهتر است به جای اینکه بیش از حد به این موضوع فکر کنید، چیزی ناقص پیدا کنید و سریع پیش بروید. اما این جدول زمانی یک هفته‌ای برای برنامه‌های بالغ اعمال نمی‌شود. به عنوان مثال، ضد هرزنامه یک برنامه یادگیری عمیق بالغ است. من تیم‌هایی را دیده‌ام که روی سیستم‌های بالغ کار می‌کنند ماه‌ها را صرف به دست آوردن مجموعه‌های توسعه‌دهنده/تست بهتر می‌کنند.

اگر بعدا متوجه شدید که مجموعه توسعه/تست یا متریک اولیه شما نمره را از دست داده است، به هر حال آن‌ها را به سرعت تغییر دهید. به عنوان مثال، اگر مجموعه توسعه‌دهنده + متریک شما طبقه بندی کننده A را بالاتر از طبقه بندی کننده B رتبه بندی می‌کند، اما تیم شما فکر می‌کند که طبقه بندی کننده B در واقع برای محصول شما برتر است، این ممکن است نشانه‌ای از این باشد که شما باید مجموعه‌های توسعه‌دهنده/تست یا معیار ارزیابی خود را تغییر دهید.

سه دلیل اصلی احتمالی برای رتبه بندی نادرست مجموعه توسعه‌دهنده/متریک طبقه بندی کننده A بالاتر وجود دارد:

توزیع واقعی که باید به خوبی انجام دهید با مجموعه‌های توسعه‌دهنده یا تست متفاوت است.

فرض کنید مجموعه توسعه‌دهنده یا (آزمایشی اولیه) شما عمدتا تصاویری از گربه‌های بالغ داشت. شما برنامه گربه خود را ارسال می‌کنید و متوجه می‌شوید که کاربران تصاویر بچه گربه را بسیار بیشتر از حد انتظار آپلود می‌کنند. بنابراین، توزیع مجموعه توسعه‌دهنده/تست نماینده توزیع واقعی نیست که باید به خوبی انجام دهید. در این مورد، مجموعه‌های dev/test خود را به روز کنید تا نماینده‌تر باشند.