آموزش یادگیری عمیق؛ تئوری و تمرین شبکه های عصبی، بینایی کامپیوتر، پردازش زبان طبیعی و مبدل ها با استفاده از تنسورفلو

“برای اینکه همه بتوانند بخشی از این انقلاب تاریخی باشند، نیاز به دموکراتیزه کردن دانش و منابع هوش مصنوعی است. این کتاب به موقع و مرتبط با دستیابی به این اهداف والا است.”
– از پیشگفتار دکتر آنیما آناندکومار، استاد برن، کلتک و مدیر تحقیقات یادگیری ماشینی، NVIDIA

“اکمن از یک تکنیک یادگیری استفاده می‌کند که در تجربه ما برای موفقیت محوری بوده است – از خواننده می‌خواهد که در مورد استفاده از تکنیک‌های یادگیری عمیق در عمل فکر کند. رویکرد سرراست او طراوت‌بخش است و به خواننده اجازه می‌دهد تا کمی در مورد جایی که یادگیری عمیق ممکن است ما را به آنجا برساند، رویاپردازی کند.”
– از پیشگفتار دکتر کریگ کلاوسون، مدیر، موسسه یادگیری عمیق NVIDIA

یادگیری عمیق (DL) یکی از اجزای کلیدی پیشرفت‌های هیجان‌انگیز امروزی در یادگیری ماشینی و هوش مصنوعی است. یادگیری یادگیری عمیق یک راهنمای کامل برای یادگیری عمیق است. این کتاب با روشن کردن مفاهیم اصلی و تکنیک‌های برنامه‌نویسی عملی مورد نیاز برای موفقیت، برای توسعه‌دهندگان، دانشمندان داده، تحلیلگران و دیگران – از جمله کسانی که هیچ تجربه قبلی در یادگیری ماشین یا آمار ندارند – ایده‌آل است.

مگنوس اکمن پس از معرفی بلوک‌های سازنده ضروری شبکه‌های عصبی عمیق، مانند نورون‌های مصنوعی و لایه‌های کاملاً متصل، کانولوشنی و بازگشتی، نحوه استفاده از آنها را برای ساخت معماری‌های پیشرفته، از جمله Transformer، نشان می‌دهد. او توضیح می‌دهد که چگونه از این مفاهیم برای ساخت شبکه‌های مدرن برای بینایی کامپیوتر و پردازش زبان طبیعی (NLP)، از جمله Mask R-CNN، GPT و BERT، استفاده می‌شود. و او توضیح می‌دهد که چگونه یک مترجم زبان طبیعی و یک سیستم تولید توصیفات زبان طبیعی از تصاویر.

در سراسر کتاب، اکمن نمونه‌های کد مختصر و حاشیه‌نویسی‌شده‌ای را با استفاده از TensorFlow به همراه Keras ارائه می‌دهد. نمونه‌های متناظر PyTorch به صورت آنلاین ارائه می‌شوند و بدین ترتیب کتاب دو کتابخانه غالب پایتون برای یادگیری ماشینی (DL) مورد استفاده در صنعت و دانشگاه را پوشش می‌دهد. او با مقدمه‌ای بر جستجوی معماری عصبی (NAS) به پایان می‌رساند و مسائل اخلاقی مهم را بررسی کرده و منابعی را برای یادگیری بیشتر ارائه می‌دهد.

مفاهیم اصلی: پرسپترون‌ها، یادگیری مبتنی بر گرادیان، نورون‌های سیگموئیدی و انتشار معکوس را کاوش و تسلط می‌یابد.
ببینید که چگونه چارچوب‌های یادگیری ماشینی توسعه شبکه‌های عصبی پیچیده‌تر و مفیدتر را آسان‌تر می‌کنند.
کشف کنید که چگونه شبکه‌های عصبی کانولوشن (CNN) طبقه‌بندی و تحلیل تصویر را متحول می‌کنند.
اعمال شبکه‌های عصبی بازگشتی (RNN) و حافظه کوتاه‌مدت بلند (LSTM) بر متن و سایر توالی‌های با طول متغیر.
تسلط بر NLP با شبکه‌های توالی به توالی و معماری Transformer.
ساخت برنامه‌های کاربردی برای ترجمه زبان طبیعی و زیرنویس تصویر.

اختراع GPU توسط NVIDIA بازار بازی‌های رایانه‌ای را رونق بخشید. کار پیشگامانه‌ی این شرکت در محاسبات شتاب‌یافته – نوعی محاسبات فوق‌العاده قدرتمند در تقاطع گرافیک کامپیوتری، محاسبات با کارایی بالا و هوش مصنوعی – در حال تغییر شکل صنایع تریلیون دلاری مانند حمل و نقل، مراقبت‌های بهداشتی و تولید است و رشد بسیاری دیگر را تقویت می‌کند.