معرفی و دانلود کتاب اشتیاق آموزش ماشین

معرفی 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.

فهرست مطالب کتاب

1. چرا استراتژی یادگیری ماشین؟
2. چگونه از این کتاب برای کمک به تیم خود استفاده کنید؟
3. پیش‌نیازها و نمادنویسی
4. مقیاس پیشرفت یادگیری ماشین را هدایت می‌کند
5. مجموعه‌های توسعه و تست شما
6. مجموعه‌های توسعه‌دهنده و آزمایشی شما باید از یک توزیع بیایند
7. مجموعه‌های توسعه‌دهنده/تست چقدر باید بزرگ باشند؟
8. یک معیار ارزیابی تک عددی برای بهینه‌سازی تیم خود ایجاد کنید
9. بهینه‌سازی و رضایت معیارها
10. داشتن یک مجموعه توسعه‌دهنده و متریک سرعت تکرارها را افزایش می‌دهد
11. نکات مهم: راه‌اندازی مجموعه‌های توسعه و تست
12. اولین سیستم خود را به‌سرعت بسازید، سپس تکرار کنید
13. ارزیابی چندین ایده به‌صورت موازی در طول تحلیل خطا
14. پاکسازی نمونه‌های dev با برچسب اشتباه و مجموعه تست
15. اگر یک مجموعه توسعه‌دهنده بزرگ دارید، آن را به دو زیرمجموعه تقسیم کنید که فقط یکی از آن‌ها را نگاه می‌کنید
16. مجموعه‌های توسعه‌دهنده Eyeball و Blackbox چقدر باید بزرگ باشند؟
17. نکته: تجزیه و تحلیل اولیه خطا
18. سوگیری و واریانس: دو منبع بزرگ خطا
19. نمونه‌هایی از سوگیری و واریانس
20. مقایسه با نرخ خطای بهینه
21. پرداختن به سوگیری و واریانس
22. سوگیری در مقابل مبادله واریانس
23. تکنیک‌هایی برای کاهش سوگیری قابل اجتناب
24. تجزیه و تحلیل خطا در مجموعه آموزشی
25. تکنیک‌هایی برای کاهش واریانس
26. تشخیص سوگیری و واریانس: منحنی‌های یادگیری
27. ترسیم خطای آموزشی
28. تفسیر منحنی‌های یادگیری: سوگیری بالا
29. تفسیر منحنی‌های یادگیری: موارد دیگر
30. ترسیم منحنی‌های یادگیری
31. چرا ما با عملکرد در سطح انسانی مقایسه می‌کنیم؟
32. چگونه عملکرد در سطح انسانی را تعریف کنیم؟
33. فراتر رفتن از عملکرد در سطح انسانی
34. چه‌زمانی باید روی توزیع‌های مختلف آموزش ببینید و تست کنید
35. چگونه تصمیم بگیریم که آیا از همه داده‌های خود استفاده کنید یا خیر؟
36. نحوه تصمیم‌گیری درمورد گنجاندن داده‌های متناقض
37. وزن‌دهی داده‌ها
38. تعمیم از مجموعه آموزش به مجموعه توسعه‌دهنده
39. شناسایی خطاهای سوگیری، واریانس و عدم تطابق داده‌ها
40. رسیدگی به عدم تطابق داده‌ها
41. سنتز داده‌های مصنوعی
اشکال‌زدایی الگوریتم‌های استنتاج
42. تست تأیید بهینه‌سازی
43. فرم کلی تست تأیید بهینه‌سازی
44. مثال یادگیری تقویتی
45. ظهور یادگیری سرتاسر
46. نمونه‌های یادگیری سرتاسر بیشتر
47. مزایا و معایب یادگیری end-to-end
48. انتخاب کامپوننت‌های خط لوله: در دسترس بودن داده
49. انتخاب کامپوننت‌های خط لوله: سادگی کار
50. یادگیری مستقیم خروجی‌های غنی
51. تجزیه و تحلیل خطا بر اساس قطعات
52. نسبت دادن خطا به یک بخش
53. مورد کلی انتساب خطا
54. تجزیه و تحلیل خطا براساس قطعات و مقایسه با عملکرد در سطح انسانی
55. تشخیص یک خط لوله ML معیوب