- عنوان کتاب: Python Deep Learning
- نویسنده: Ivan Vasilev
- حوزه: یادگیری عمیق
- سال انتشار: 2023
- تعداد صفحه: 362
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 7.62 مگابایت
این کتاب از مبانی نظری شبکههای عصبی عمیق (NN) شروع میشود و به محبوبترین معماریهای شبکه – ترانسفورماتورها، مدلهای زبان بزرگ مبتنی بر ترانسفورماتور (LLMs) و شبکههای کانولوشن میپردازد. این مدل ها را در زمینه نمونه های مختلف بینایی کامپیوتری و پردازش زبان طبیعی (NLP)، از جمله برنامه های کاربردی پیشرفته مانند تولید متن به تصویر و چت بات ها معرفی می کند.
هر فصل با یک مقدمه نظری جامع در مورد موضوع به عنوان بدنه اصلی آن سازماندهی شده است. این با مثالهای کدگذاری دنبال میشود که به اعتبار تئوری ارائهشده کمک میکند و تجربه عملی عملی را در اختیار خوانندگان قرار میدهد. نمونه ها با استفاده از PyTorch، Keras یا Hugging Face Transformers اجرا می شوند.
این کتاب برای چه کسی است
این کتاب برای افرادی است که قبلاً با برنامه نویسی آشنا هستند – توسعه دهندگان / مهندسان نرم افزار، دانش آموزان، دانشمندان داده، تحلیلگران داده، مهندسان یادگیری ماشین، آماردانان و هر کسی که علاقه مند به یادگیری عمیق است که تجربه برنامه نویسی پایتون را دارد. این برای افرادی طراحی شده است که حداقل دانش یادگیری عمیق قبلی را دارند و از زبانی واضح و سرراست در سراسر آن استفاده می کنند.
آنچه این کتاب پوشش می دهد
فصل 1، یادگیری ماشینی – مقدمه، پارادایم های اساسی یادگیری ماشین را مورد بحث قرار می دهد. الگوریتم های مختلف یادگیری ماشین را بررسی می کند و اولین NN را که با PyTorch پیاده سازی شده است، معرفی می کند.
فصل 2، شبکه های عصبی، با معرفی شاخه های ریاضی مربوط به NN ها – جبر خطی، احتمالات و حساب دیفرانسیل شروع می شود. بر روی بلوکهای ساختمان و ساختار NN تمرکز خواهد کرد. همچنین در مورد چگونگی آموزش NN با نزول گرادیان و پس انتشار بحث خواهد شد.
فصل 3، مبانی یادگیری عمیق، پارادایم های اساسی یادگیری عمیق را معرفی می کند. این انتقال از شبکه های کلاسیک به NN های عمیق را انجام می دهد. چالش های توسعه و استفاده از شبکه های عمیق را تشریح می کند و چگونگی حل آنها را مورد بحث قرار می دهد.
فصل 4، Computer Vision با شبکه های Convolutional، شبکه های کانولوشن را معرفی می کند – معماری شبکه اصلی برای برنامه های کاربردی بینایی کامپیوتر. در مورد خواص و اجزای سازنده آنها به تفصیل بحث خواهد شد. همچنین محبوب ترین مدل های شبکه کانولوشن که امروزه مورد استفاده قرار می گیرند را معرفی می کند.
فصل 5، برنامههای بینایی کامپیوتری پیشرفته، استفاده از شبکههای کانولوشنال را برای کارهای پیشرفته بینایی رایانه – تشخیص شی و تقسیمبندی تصویر مورد بحث قرار میدهد. همچنین با استفاده از NN ها برای تولید تصاویر جدید کاوش می کند.
فصل 6، پردازش زبان طبیعی و شبکه های عصبی مکرر، پارادایم های اصلی و خط لوله پردازش داده NLP را معرفی می کند. همچنین NN های مکرر و دو نوع محبوب آنها – حافظه کوتاه مدت بلند مدت و واحدهای بازگشتی دروازه ای – را بررسی می کند.
فصل 7، مکانیسم توجه و ترانسفورماتورها، یکی از مهم ترین پیشرفت های اخیر یادگیری عمیق را معرفی می کند – مکانیسم توجه و مدل ترانسفورماتور مبتنی بر آن.
فصل 8، کاوش در مدلهای زبان بزرگ، LLMهای مبتنی بر ترانسفورماتور را معرفی میکند. در مورد ویژگیهای آنها و تفاوت آنها با سایر مدلهای NN بحث خواهد شد. همچنین کتابخانه Hugging Face Transformers را معرفی خواهد کرد.
در فصل 9، کاربردهای پیشرفته مدلهای زبان بزرگ، استفاده از LLM برای وظایف بینایی رایانه مورد بحث قرار میگیرد. این برنامه بر روی کارهای کلاسیک مانند طبقه بندی تصویر و تشخیص اشیا تمرکز می کند، اما همچنین برنامه های کاربردی پیشرفته مانند تولید متن به تصویر را بررسی می کند. این چارچوب LangChain را برای توسعه برنامه های کاربردی مبتنی بر LLM معرفی می کند.
فصل 10، عملیات یادگیری ماشین (MLOps)، کتابخانه ها و تکنیک های مختلفی را برای توسعه آسان تر و استقرار تولید مدل های NN معرفی می کند.
The book will start from the theoretical foundations of deep neural networks (NN), and it will delve into the most popular network architectures – transformers, transformer-based large language models (LLMs), and convolutional networks. It will introduce these models in the context of various computer vision and natural language processing (NLP) examples, including state-of-the-art applications such as text-to-image generation and chatbots.
Each chapter is organized with a comprehensive theoretical introduction to the topic as its main body. This is followed by coding examples that serve to validate the presented theory, providing readers with practical hands-on experience. The examples are executed using PyTorch, Keras, or Hugging Face Transformers.
Who this book is for
This book is for individuals already familiar with programming – software developers/engineers, students, data scientists, data analysts, machine learning engineers, statisticians, and anyone interested in deep learning who has Python programming experience. It is designed for people with minimal prior deep learning knowledge, employing clear and straightforward language throughout.
What this book covers
Chapter 1, Machine Learning – an Introduction, discusses the basic machine learning paradigms. It will explore various machine learning algorithms and introduce the first NN, implemented with PyTorch.
Chapter 2, Neural Networks, starts by introducing the mathematical branches related to NNs – linear algebra, probability, and differential calculus. It will focus on the building blocks and structure of NNs. It will also discuss how to train NNs with gradient descent and backpropagation.
Chapter 3, Deep Learning Fundamentals, introduces the basic paradigms of deep learning. It will make the transition from classic networks to deep NNs. It will outline the challenges of developing and using deep networks, and it will discuss how to solve them.
Chapter 4, Computer Vision with Convolutional Networks, introduces convolutional networks – the main network architecture for computer vision applications. It will discuss in detail their properties and building blocks. It will also introduce the most popular convolutional network models in use today.
Chapter 5, Advanced Computer Vision Applications, discusses applying convolutional networks for advanced computer vision tasks – object detection and image segmentation. It will also explore using NNs to generate new images.
Chapter 6, Natural Language Processing and Recurrent Neural Networks, introduces the main paradigms and data processing pipeline of NLP. It will also explore recurrent NNs and their two most popular variants – long short-term memory and gated recurrent units.
Chapter 7, The Attention Mechanism and Transformers, introduces one of the most significant recent deep learning advances – the attention mechanism and the transformer model based around it.
Chapter 8, Exploring Large Language Models in Depth, introduces transformer-based LLMs. It will discuss their properties and what makes them different than other NN models. It will also introduce the Hugging Face Transformers library.
Chapter 9, Advanced Applications of Large Language Models, discusses using LLMs for computer vision tasks. It will focus on classic tasks such as image classification and object detection, but it will also explore state-of-the-art applications such as text-to-image generation. It will introduce the LangChain framework for LLM-driven application development.
Chapter 10, Machine Learning Operations (MLOps), will introduce various libraries and techniques for easier development and production deployment of NN models.
این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.
Download: Python Deep Learning
نظرات کاربران