یادگیری عمیق با MATLAB

من آن‌قدر خوش‌شانس بودم که شاهد گذار جهان به یک جامعه‌ی اطلاعاتی و به دنبال آن محیط شبکه‌ای بودم. من از جوانی با این تغییرات زندگی می‌کردم. رایانه‌‌ی شخصی در دنیای اطلاعات را باز کرد و به دنبال آن ارتباطات آنلاین بود که کامپیوترها را از طریق اینترنت متصل می‌کرد و تلفن‌های هوشمند که افراد را به هم متصل می‌کرد. اکنون هر فردی، آغاز موج طاقت‌فرسای هوش مصنوعی را درک کرده‌ است. خدمات هوش مصنوعی هر چه بیشتر معرفی شدند دوره‌ی جدیدی را به ارمغان ‌آوردند. یادگیری عمیق تکنولوژی است که این موج هوشمند را هدایت می‌کند. اگرچه ممکن است سرانجام تاج‌وتخت خود را به فناوری دیگر تحویل دهد اما اکنون به‌عنوان سنگ بنای این فناوری جدید مطرح است.
یادگیری عمیق به‌قدری محبوب است که شما می‌توانید در هرجایی مطالبی راجع به آن پیدا کنید. بااین‌حال بسیاری از این مطالب برای مبتدیان مناسب نیست. من این کتاب را به این امید نوشتم که خوانندگان این موضوع بدون هیچ نوع دشواری بتوانند مطالعه کنند همان‌طور که من برای اولین بار در مطالعه یادگیری عمیق تجربه کردم. همچنین امیدوارم رویکرد گام‌به‌گام این کتاب بتواند به شما کمک کند تا از سردرگمی که با آن روبه‌رو بوده‌ام جلوگیری کند.
این کتاب برای دو دسته از خوانندگان نوشته‌شده است. اولین نوع خواننده کسی است که قصد دارد یادگیری عمیق را در یک رویکرد سیستماتیک برای تحقیق و توسعه بیشتر مطالعه کند. این خواننده باید همه‌ی مطالب را از ابتدا تا انتها بخواند. کد نمونه به‌ویژه برای درک بیشتر مفاهیم بسیار مفید خواهد بود. تلاش زیادی برای ساخت نمونه‌های مناسب و پیاده‌سازی آن‌ها انجام‌شده است. کدهای نمونه به‌گونه‌ای ساخته‌شده‌اند که خواندن و فهم آن‌ها آسان باشد. این کدها برای خوانایی بهتر در متلب نوشته‌شده‌اند. هیچ زبانی بهتر از متلب وجود ندارد که بتواند ماتریس‌های یادگیری عمیق را به روشی ساده و شهودی مدیریت کند. کدهای نمونه فقط از توابع اساسی و گرامر استفاده کرده‌اند به‌طوری‌که حتی کسانی که با متلب آشنایی ندارند به‌راحتی می‌توانند مفاهیم آن را درک کنند. برای کسانی که با برنامه‌نویسی آشنا هستند درک کدهای نمونه آسان‌تر از متن این کتاب است.
نوع دیگری از خوانندگان افرادی هستند که اطلاعات عمیق‌تری درباره‌ی یادگیری عمیق می‌خواهند تا آنچه از مجلات یا روزنامه‌ها می‌توان دریافت کرد، اما نمی‌خواهند به‌طور رسمی مطالعه کنند. این خوانندگان می‌توانند از کد مثال بگذرند و به‌طور مختصر توضیحات مفاهیم را مرور کنند. چنین خوانندگانی ممکن است به‌ویژه بخواهند قوانین یادگیری شبکه‌ی عصبی را نادیده بگیرند. در عمل حتی توسعه‌دهندگان به‌ندرت احتیاج به پیاده‌سازی قوانین یادگیری دارند چراکه کتاب‌خانه‌های مختلف یادگیری عمیق در دسترس است. بنابراین کسانی که هرگز نیازی به توسعه ندارند لازم نیست با آن به‌زحمت بیفتند. بااین‌حال به فصل‌های 1 و 2 و فصل 5 و 6 بیشتر توجه کنید. فصل 6 به‌ویژه در گرفتن تکنیک‌های مهم یادگیری عمیق بسیار مفید خواهد بود حتی اگر شما مفاهیم و نتایج مثال‌ها را بخوانید. معادلاتی که گاه‌وبیگاه ظاهر می‌شوند یک زمینه‌ی نظری را ارائه می‌کنند. بااین‌حال آن‌ها فقط عملیات اساسی هستند. حقیقتا خواندن و یادگیری موضوعی که شما بتوانید تحمل کنید، درنهایت شما را به درک کلی مفاهیم می‌رساند.
سازمان کتاب
این کتاب حاوی شش فصل است که می‌تواند در سه گروه طبقه‌بندی شود. اولین موضوع یادگیری ماشین است و در فصل 1 انجام می‌شود. یادگیری عمیق از یادگیری ماشین نشات می‌گیرد. این بدان معنی است که اگر شما بخواهید اصل یادگیری ماشین را درک کنید می‌بایست تا حدودی فلسفه‌ی پشت یادگیری ماشین را بدانید.فصل 1 با رابطه‌ی بین یادگیری ماشین و یادگیری عمیق آغاز می‌شود، با راهبردهای حل مسئله و محدودیت‌های اساسی یادگیری ماشین دنبال می‌شود. تکنیک‌های دقیق در این فصل معرفی نشده‌اند. در عوض، مفاهیم اساسی که هم در شبکه‌ی عصبی و هم در یادگیری عمیق اعمال می‌شود پوشش داده می‌شوند.
موضوع دوم شبکه‌ی مصنوعی هوشمند است. فصل‌های 4-2 بر روی این موضوع تمرکز دارد. چون یادگیری عمیق نوعی از یادگیری ماشین است که از شبکه‌ی عصبی استفاده می‌کند، شبکه‌ی عصبی از یادگیری عمیق جدا نیست. فصل 2 با مبانی شبکه‌ی عصبی آغاز می‌شود: اصول عملکرد، معماری و قوانین یادگیری. آن دلایلی ارائه می‌کند که معماری تک لایه‌ی ساده به معماری چند لایه‌ی پیچیده‌ تکامل می‌یابد. فصل 3 الگوریتم پس‌انتشار را ارائه می‌کند، که مهم بوده و نماینده‌ی قانون یادگیری شبکه‌ی عصبی است و همچنین در یادگیری عمیق استفاده می‌شود. این فصل نحوه‌ی ارتباط تابع هزینه و قانون یادگیری را توضیح می‌دهد به‌طوری‌که تابع هزینه به‌طور گسترده در یادگیری عمیق استفاده می‌شود.
فصل 4 ارتباط شبکه‌ی عصبی را با مسائل طبقه‌بندی توضیح می‌دهد. ما یک بخش جداگانه به طبقه‌بندی اختصاص داده‌ایم زیرا در حال حاضر غالب‌ترین کاربرد یادگیری ماشین است. برای مثال تشخیص تصویر که یکی از اصلی‌ترین کاربردهای یادگیری عمیق است یک مسئله‌ی طبقه‌بندی می‌باشد.
مبحث سوم یادگیری عمیق است. موضوع اصلی این کتاب یادگیری عمیق است. یادگیری عمیق در فصل 5 و 6 آمده است. فصل 5 محرک‌هایی را معرفی می‌کند که یادگیری عمیق را قادر به عملکرد عالی می‌کند. برای فهم بهتر، این کار را با تاریخچه‌ی موانع و مسائل یادگیری عمیق آغاز می‌کند.
فصل 6 شبکه‌ی عصبی کانولوشن را پوشش می‌دهد که نماینده‌ی تکنیک‌های یادگیری عمیق است. این فصل با مقایسه مفهوم اساسی و معماری شبکه عصبی کانولوشن در مقایسه با الگوریتم‌های تشخیص تصویر قبلی آغاز می‌شود. به دنبال آن توضیحاتی در مورد نقش‌ها و عملکردهای لایه‌ کانولوشن و لایه پولینگ وجود دارد که به‌عنوان اجزای اساسی شبکه‌ی عصبی کانولوشن عمل می‌کنند. این فصل با مثالی از شناسایی تصویر اعداد با استفاده از شبکه‌ی عصبی کانولوشن خاتمه می‌یابد و تحول تصویر را در سراسر لایه‌ها بررسی می‌کند.
منابع کد
همه‌ی منابع کد استفاده‌شده در این کتاب از طریق وب‌سایت Apress به آدرس www.apress.com/9781484228449 به‌صورت آنلاین در دسترس است. نمونه‌ها تحت MATLAB 2014a آزمایش‌شده‌اند. لازم به هیچ ابزار اضافی نیست.