یادگیری عمیق: آموزش کامپیوترها برای یادگیری مانند انسان‌ها
یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی برای تقلید توانایی مغز انسان در یادگیری و تصمیم‌گیری استفاده می‌کند. تصور کنید که می‌خواهید به یک کامپیوتر یاد بدهید که از تجربه یاد بگیرد، درست مانند کودکی که با دیدن تصاویر زیاد از گربه، یاد می‌گیرد که گربه را تشخیص دهد.
یک مثال عملی: تشخیص تصویر
تصور کنید می‌خواهید سیستمی بسازید که بتواند به طور خودکار تشخیص دهد که آیا یک تصویر حاوی گربه یا سگ است. به طور سنتی، شما باید ویژگی‌هایی مانند شکل گوش، طول دم و رنگ خز را برای یک مدل یادگیری ماشین استخراج کنید.
با یادگیری عمیق، شما به سادگی هزاران تصویر از گربه‌ها و سگ‌ها را به مدل می‌دهید. شبکه عصبی به طور خودکار یاد می‌گیرد که ویژگی‌های کلیدی که گربه‌ها را از سگ‌ها متمایز می‌کند، مانند الگوهای سبیل، شکل چشم و وضعیت بدن را شناسایی کند. با گذشت زمان، مدل در طبقه‌بندی تصاویر جدید دقیق‌تر می‌شود.
جدیدترین کتاب با محوریت یادگیری عمیق که در سال 2024 به چاپ رسیده‌اند:
در سال 2024 کتاب‌های متنوعی در حوزه‌ی یادگیری عمیق به چاپ رسید. این منابع بیشتر به صورت کاربردی با ابزارهای متنوع، در یادگیری و به کار گرفتن یادگیری عمیق به ما کمک می‌کنند. کتاب های یادگیری عمیق در خصوص نکات و مفاهیم کلیدی در راستای علم یادگیری عمیق و مفاهیم آن نکاتی زیادی را می‌آمورد. در ادامه به شرح 4 کتاب مفید در حوزه یادگیری عمیق که در سال 2024 به چاپ رسید خواهیم پرداخت.
1. کتاب Deep Learning at Scale
انتقال یک پروژه یادگیری عمیق به تولید در مقیاس بزرگ بسیار چالش‌برانگیز است. برای مقیاس‌بندی موفق پروژه خود، درک بنیادی از یادگیری عمیق تمام پشته، از جمله دانشی که در تقاطع سخت‌افزار، نرم‌افزار، داده و الگوریتم‌ها قرار دارد، ضروری است.
کتاب Deep Learning at Scale: At the Intersection of Hardware, Software, and Data مفاهیم پیچیده یادگیری عمیق تمام پشته را نشان می‌دهد و آن‌ها را از طریق تمرین‌های عملی تقویت می‌کند تا شما را با ابزارها و تکنیک‌هایی برای مقیاس‌بندی پروژه خود تجهیز کند. تلاش برای مقیاس‌بندی تنها زمانی مفید است که موثر و کارآمد باشد. با این هدف، این راهنما مفاهیم و تکنیک‌های پیچیده‌ای را توضیح می‌دهد که به شما کمک می‌کند به طور موثر و کارآمد مقیاس‌بندی کنید.
شما درک کاملی از موارد زیر را به دست خواهید آورد:
- نحوه جریان داده‌ها در شبکه یادگیری عمیق و نقش گراف‌های محاسباتی در ساخت مدل شما
- نحوه سرعت بخشیدن به آموزش شما با محاسبات شتاب‌داده و بهترین روش استفاده از منابع در اختیار شما
- نحوه آموزش مدل شما با استفاده از پارادایم‌های آموزش توزیع‌شده، یعنی موازی‌سازی داده، مدل و خط لوله
- نحوه استفاده از اکوسیستم‌های PyTorch در ترکیب با کتابخانه‌های NVIDIA و Triton برای مقیاس‌بندی آموزش مدل شما
- اشکال‌زدایی، نظارت و بررسی گلوگاه‌های نامطلوبی که آموزش مدل شما را کند می‌کنند
- نحوه تسریع چرخه عمر آموزش و ساده‌سازی حلقه بازخورد شما برای تکرار توسعه مدل
- مجموعه‌ای از ترفندها و تکنیک‌های داده و نحوه اعمال آن‌ها برای مقیاس‌بندی مدل آموزشی شما
- نحوه انتخاب ابزارها و تکنیک‌های مناسب برای پروژه یادگیری عمیق شما
- گزینه‌هایی برای مدیریت زیرساخت محاسباتی هنگام اجرا در مقیاس بزرگ
دانلود کتاب Deep Learning at Scale از سایت فقط کتاب
2. کتاب Math and Architectures of Deep Learning
نوری به درون “جعبه سیاه” یادگیری عمیق بتابانید. این راهنمای جامع و دقیق مفاهیم ریاضی و معماری پشت مدل‌های یادگیری عمیق را آشکار می‌کند، بنابراین می‌توانید آن‌ها را به طور موثر سفارشی‌سازی، نگهداری و توضیح دهید.
در کتاب Math and Architectures of Deep Learning خواهید یافت:
- اصول ریاضی، نظری و برنامه‌نویسی در کنار هم
- جبر خطی، حساب برداری و آمار چند متغیره برای یادگیری عمیق
- ساختار شبکه‌های عصبی
- پیاده‌سازی معماری‌های یادگیری عمیق با پایتون و پایتورچ
- عیب‌یابی مدل‌های کم‌کارکرد
- نمونه‌های کد عملی در دفترچه‌های یادداشت قابل دانلود Jupyter
پارادایم‌های ریاضی پشت مدل‌های یادگیری عمیق معمولاً به عنوان مقالات آکادمیک سخت خوانده می‌شوند که مهندسان را در مورد نحوه عملکرد واقعی آن مدل‌ها در تاریکی رها می‌کنند. ریاضیات و معماری‌های یادگیری عمیق شکاف بین نظریه و عمل را پر می‌کند و ریاضیات یادگیری عمیق را در کنار پیاده‌سازی‌های عملی در پایتون و پایتورچ قرار می‌دهد.
کتاب Math and Architectures of Deep Learning توسط Krishnendu Chaudhury، متخصص یادگیری عمیق نوشته شده است، شما با نگاه کردن به داخل “جعبه سیاه” نحوه کار کد خود را درک خواهید کرد و یاد می‌گیرید تحقیقات پیشرفتهای را که می‌توانید به کاربردهای عملی تبدیل کنید، درک کنید.
دانلود کتاب Math and Architectures of Deep Learning:
https://faghatketab.ir/product/math-and-architectures-of-deep-learning/
3. کتاب Deep Learning for Finance
یادگیری عمیق به سرعت در دنیای مالی و تجارت در حال پیشرفت است. اما برای بسیاری از معامله‌گران حرفه‌ای، این حوزه پیچیده دارای شهرتی پیچیده و دشوار است. این راهنمای عملی به شما آموزش می‌دهد که چگونه یک مدل معاملاتی یادگیری عمیق را از ابتدا با استفاده از پایتون توسعه دهید و همچنین به شما کمک می‌کند تا الگوریتم‌های معاملاتی مبتنی بر یادگیری ماشین و یادگیری تقویتی ایجاد، معامله و تست پس کنید.
صوفیان قابار – نویسنده مالی، مشاور تجاری و استراتژیست بازار نهادی – استراتژی‌های یادگیری عمیق را معرفی می‌کند که تحلیل‌های فنی و کمی را ترکیب می‌کنند. با ترکیب مفاهیم یادگیری عمیق با تحلیل تکنیکال، این کتاب منحصر به فرد ایده‌های نوآورانه‌ای را در دنیای تجارت مالی ارائه می‌دهد. کتاب Deep Learning for Finance: Creating Machine & Deep Learning Models for Trading in Python، همچنین شامل مقدمه‌ای کامل در مورد تحلیل تکنیکال، ارزیابی الگوریتم‌های یادگیری ماشین و بهینه‌سازی الگوریتم است.
- ایجاد و درک مدل‌های یادگیری ماشین و یادگیری عمیق
- بررسی جزئیات پشت یادگیری تقویتی و مشاهده نحوه استفاده از آن در تجارت
- درک نحوه تفسیر معیارهای ارزیابی عملکرد
- بررسی تحلیل تکنیکال و یادگیری نحوه عملکرد آن در بازارهای مالی
- ایجاد شاخص‌های تکنیکال در پایتون و ترکیب آن‌ها با مدل‌های ML برای بهینه‌سازی
- ارزیابی سودآوری و قابلیت پیش‌بینی مدل‌ها برای درک محدودیت‌ها و پتانسیل آن‌ها
دانلود کتاب Deep Learning for Finance از سایت فقط کتاب
4. کتاب Deep Reinforcement Learning with Python
درک نظری از محبوب‌ترین کتابخانه‌ها در یادگیری تقویتی عمیق (deep RL) کسب کنید. این نسخه جدید بر پیشرفتهای اخیر در deep RL با استفاده از رویکرد یادگیری از طریق کدنویسی تمرکز دارد و به خوانندگان اجازه می‌دهد تا آخرین تحقیقات در این زمینه را جذب و تکرار کنند.
محیط‌های عامل جدید از بازی‌ها و رباتیک تا امور مالی توضیح داده شده‌اند تا به شما کمک کنند روش‌های مختلفی برای اعمال یادگیری تقویتی را امتحان کنید. یک فصل به یادگیری تقویتی چندعاملی می‌پردازد که نحوه رقابت چندین عامل را پوشش می‌دهد، در حالی که فصل دیگر بر الگوریتم پرکاربرد deep RL، بهینه‌سازی سیاست تقریبی (PPO)، تمرکز دارد. شما خواهید دید که چگونه یادگیری تقویتی با بازخورد انسانی (RLHF) توسط چت‌بات‌ها، ساخته شده با استفاده از مدل‌های زبانی بزرگ مانند ChatGPT، برای بهبود قابلیت‌های مکالمه‌ای استفاده شده است.
همچنین مراحل استفاده از کد در چندین سیستم ابری و استقرار مدل‌ها بر روی پلتفرم‌هایی مانند Hugging Face Hub را مرور خواهید کرد. کد در Jupyter Notebook است که می‌تواند روی Google Colab و سایر پلتفرم‌های ابری یادگیری عمیق مشابه اجرا شود و به شما امکان می‌دهد کد را با نیازهای خود تنظیم کنید.
چه برای کاربردهای بازی، رباتیک یا هوش مصنوعی مولد باشد، یادگیری تقویتی عمیق با پایتون به شما کمک می‌کند تا از دیگران پیشی بگیرید.
دانلود کتاب Deep Reinforcement Learning with Python, 2nd Edition: RLHF for Chatbots and Large Language Models:
https://faghatketab.ir/product/deep-reinforcement-learning-with-python/
هیچ دیدگاهی درج نشده - اولین نفر باشید