معرفی چندین کتاب خوب برای یادگیری عمیق (deep learning) و شبکه‌های عصبی

کتاب Neural Networks and Learning Machines

نویسنده: Simon Haykin

اگر بخواهم تنها یک کتاب برای شروع یادگیری شبکه‌های عصبی معرفی کنم، انتخاب اول من کتاب Simon Haykin خواهد بود.

این کتاب یکی از مهم‌ترین منابع کلاسیک در حوزه شبکه‌های عصبی است که سال‌ها به عنوان مرجع دانشگاهی در سراسر جهان تدریس شده است. نقطه قوت اصلی کتاب، رویکرد مرحله به مرحله آن است. ابتدا ساختار شبکه‌های عصبی معرفی می‌شود، سپس روابط ریاضی و قوانین یادگیری توضیح داده می‌شوند و در ادامه نحوه پیاده‌سازی الگوریتم‌ها به کمک فلوچارت‌ها و شبه کدها ارائه می‌شود.

زمانی که خبری از مدلهای زبانی مثل ChatGPT و مدل‌های زبانی نبود، یادگیری شبکه‌های عصبی کار ساده‌ای نبود.بیشتر منابع پراکنده بودند و پیدا کردن یک مسیر منسجم خودش یک چالش بود. ما به لطف توضیحات منسجم این کتاب میتوانستیم شبکه های عصبی را یاد بگیریم و بتونیم به صورت دستی پیاده سازی کنیم.

مطالعه این کتاب تنها به یادگیری شبکه‌های عصبی محدود نمی‌شود. خواننده یاد می‌گیرد چگونه یک الگوریتم جدید را تحلیل کند، چگونه یک مقاله علمی را مطالعه کند و هنگام مواجهه با یک روش جدید، از دید فنی برای پیاده سازی باید به دنبال چه چیزهایی باشد.

این کتاب برای دانشجویان، پژوهشگران و افرادی که می‌خواهند درک عمیقی از مبانی شبکه‌های عصبی داشته باشند، یک انتخاب فوق‌العاده محسوب می‌شود.

نویسنده این کتاب ارزشمند پرفسور Simon Haykin هست که متاسفانه سال پیش از میان ما رفتند. Simon Haykin سال‌ها روی پردازش سیگنال، مخابرات و شبکه‌های عصبی کار کرد. چیزی که همیشه برای من جالب بود این است که هایکین صرفاً یک پژوهشگر نبود؛ او یک معلم فوق‌العاده بود. کتابش طوری نوشته شده که احساس می‌کنی یک استاد باتجربه کنار تخته ایستاده و قدم به ‌قدم تو را با یک الگوریتم جدید آشنا می‌کند.

از لینک زیر میتونید به فایل PDF کتاب دسترسی داشته باشید.

https://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf

کتاب deep learning- Goodfellow, Bengio, Courville

نویسندگان:  Ian Goodfellow, Yoshua Bengio, Aaron Courville

کتاب Deep Learning گودفلو بدون شک یکی از مهم‌ترین مراجع یادگیری عمیق در دنیا است. اهمیت این کتاب تنها به محتوای آن محدود نمی‌شود؛ بلکه به نویسندگان آن نیز مربوط است. یوشوا بنجیو یکی از برندگان جایزه تورینگ و از پیشگامان یادگیری عمیق محسوب می‌شود و ایان گودفلو نیز به عنوان خالق GAN شناخته می‌شود.

این کتاب مفاهیم بنیادین یادگیری عمیق را به شکلی دقیق و علمی بررسی می‌کند. مباحثی مانند توابع هزینه، روش‌های بهینه‌سازی، تنظیم پارامترها، آموزش شبکه‌های عمیق و چالش‌های یادگیری در این کتاب با جزئیات قابل توجهی توضیح داده شده‌اند.

اگر هدف شما درک عمیق ریاضیات و مبانی نظری Deep Learning باشد، این کتاب یکی از بهترین انتخاب‌های ممکن است.

https://www.deeplearningbook.org/

کتاب Dive into Deep Learning

نویسندگان:  Aston Zhang, Zachary Lipton, Mu Li, Alexander Smola

اگر دو کتاب قبلی بیشتر بر مبانی نظری تمرکز داشتند، این کتاب تمرکز ویژه‌ای بر پیاده‌سازی و کاربردهای عملی دارد.

Dive into Deep Learning  یکی از محبوب‌ترین منابع یادگیری عمیق در سال‌های اخیر است و به دلیل رویکرد پروژه‌محور خود توانسته توجه بسیاری از دانشجویان و مهندسان هوش مصنوعی را جلب کند.

در این کتاب شبکه‌های عصبی به صورت تکاملی معرفی می‌شوند. از مدل‌های ساده شروع می‌شود و به تدریج خواننده را با معماری‌های پیچیده‌تر آشنا می‌کند. نویسندگان تلاش کرده‌اند ضمن حفظ شهود و درک مفهومی، خواننده را به سمت پیاده‌سازی عملی و توسعه پروژه‌های واقعی هدایت کنند.

اگر به دنبال کتابی هستید که فاصله بین مفاهیم نظری و ساخت مدل‌های واقعی را کاهش دهد و پروژه محور باشد، Dive into Deep Learning  یکی از بهترین گزینه‌ها است.

https://d2l.ai/

جمع ‌بندی

هر یک از این سه کتاب بخشی از مسیر یادگیری یادگیری عمیق را پوشش می‌دهند:

• Simon Haykin : درک ساختار و مبانی پایه شبکه‌های عصبی
• Deep Learning (Goodfellow) : درک عمیق ریاضیات، بهینه‌سازی و نظریه
• Dive into Deep Learning : پیاده‌سازی عملی و پروژه‌های واقعی

به همین دلیل، این سه کتاب در کنار یکدیگر می‌توانند یک نقشه راه کامل برای یادگیری شبکه‌های عصبی و Deep Learning  فراهم کنند؛ از اولین مفاهیم تا توسعه سیستم‌های هوش مصنوعی در دنیای واقعی.

پیشنهاد من: اگر فرصت کافی دارید ابتدا کتاب Simon Heykin رو مطالعه کنید، بعدش کتاب Deep Learning (Goodfellow) و در آخر هم Dive into Deep Learning رو مطالعه کنید.

واقعیت اینه که مباحث گفته شده در کتاب Simon Heykin در کتاب Goodfellow پوشش داده شده است، ولی کتاب سایمون برای افراد تازه کار خیلی مناسبتر هست. چرا که از از صفر صفر شروع کرده و مفاهیم از پایه آموزش داده است. اما دو کتاب دیگه بنارو انگار طوری گذاشته اند که شما یک دانش زمینه ای خوب در مورد یادگیری ماشین و شبکه های عصبی دارید.

ولی اگر فرصت کافی ندارید دو تا کتاب Deep Learning (Goodfellow) و Dive into Deep Learning رو به ترتیب مطالعه کنید.

من با کمک این کتابها، و البته تعداد زیادی مقاله تخصصی در این حوزه، دو تا دوره طراحی کرده ام:

• دوره تخصصی شبکه های عصبی در PyTorch
• دوره جامع یادگیری عمیق

در دوره اول، مباحث پایه، از جمله توابع هزینه، روشهای بهینه سازی، کار با پایتورچ آموزش داده شده است.

در دوره جدید رفتیم سراغ معماری های مختلف و  از ساده‌ترین ساختار یعنی MLP شروع می‌کنیم. بعدش شبکه‌های بازگشتی (RNN)، شبکه‌های کانولوشنی (CNN) و در نهایت مکانیزم توجه (Attention) می‌رویم.

💡ما در دوره یادگیری عمیق، ابتدا شبکه‌های عصبی رو کاملا دستی پیاده‌سازی میکنیم، بعدش میریم سراغ ابزارهای آماده.

و برای پیاده‌سازی هم، اول ریاضیات و اثبات روابط یادگیری شبکه های عصبی رو کامل یاد میگیریم😊

در آخر هم میریم سراغ پروژه های عملی!

دوره جدید به زودی در وبسایت قرار میگیره…

www.Onlinebme.com