معرفی و دانلود کتاب آموزش یادگیری ماشین به سبک Andrew NG

معرفی کتاب آموزش یادگیری ماشین به سبک Andrew NG

کتاب آموزش یادگیری ماشین به سبک Andrew NG اثری است که در آن اندرو ان جی به مهندسان کامپیوتر در باب نیازهای درون سیستمی و روش‌هایی که می‌توان از هوش مصنوعی استفاده کرد، اطلاعات موجز و راه‌گشایی ارائه می‌دهد. این کتاب به شما یاد می‌دهد که چگونه از داده استفاده کنید، آن را تغییر دهید و تمام روش‌های کار با هوش مصنوعی را فرا بگیرید.

درباره‌ی کتاب آموزش یادگیری ماشین به سبک Andrew NG

کتاب آموزش یادگیری ماشین به سبک Andrew NG که توسط انتشارات آتی‌نگر منتشر شده، راهنمایی برای برنامه‌نویسان، مهندسان کامپیوتر و کسانی است که در صنعت هوش مصنوعی فعالیت می‌کنند. اندرو ان جی در این کتابِ مرجع و آموزشی خود با بهره بردن از نثری شیوا و قابل‌فهم به شما سازوکارهایی که در باب ماشین کدنویسی، هوش مصنوعی و ساختارهای پیچیده‌ی آن وجود دارد را آموزش می‌دهد. در واقع این کتاب به شما اطلاعاتی ارائه می‌دهد که نه‌تنها با ماشین و هوش مصنوعی آشنایی پیدا کنید، بلکه به یک شخص حرفه‌ای در مواجهه با آن تبدیل شوید.

این کتاب به شما می‌گوید که اساساً پایه‌های ساخت یک برنامه‌ی هوش مصنوعی چگونه است و ساختار برنامه‌نویسی در آن به چه روش‌هایی شکل می‌گیرد. این کتاب نه‌تنها شما را با محیط و اکوسیستمِ ساخت هوش مصنوعی آشنا می‌کند، بلکه روش‌های کاربردی‌ای را پیش روی شما قرار می‌دهد که با استفاده از آن‌ها از مشکلاتی که احتمال دارد با آن‌ها مواجه شوید اجتناب کنید.

همان‌طور که بسیاری از مخاطبین پس از خواندن کتاب آموزش یادگیری ماشین به سبک Andrew NG اعتراف کرده‌اند، این پژوهش جامع به سؤالات و مسائلی پاسخ می‌دهد که ممکن است در هیچ کتاب آموزشی دیگری نیابید. این کتاب تشریحات و توضیحات خود از ساختار هوش مصنوعی را به گونه‌ای آموزش داده است که به راحتی بتوانید به هنگام کار با برنامه به آن مراجعه کنید یا با همکاران خود آن را به اشتراک بگذارید. گفتنی است که این کتاب بیشتر سعی دارد به عنوان یک «راهنما» و «دیکشنری» برای برنامه‌نویسان هوش مصنوعی عمل کند و ازاین‌رو با نگاهی کلی نوشته شده و نه جزئی.

این کتاب که حجم بالایی ندارد توسط شخصی به نگارش درآمده که در شرکت‌هایی چون گوگل برین فعالیت داشته و در دانشگاه‌های معتبر آمریکا به آموزش پرداخته است. کتاب آموزش یادگیری ماشین به سبک Andrew NG به شما کمک می‌کند تا اصول‌های پایه در کار با هوش مصنوعی را به ساده‌ترین روش یاد بگیرید و به تعبیر یکی از مخاطبان کتاب برای کسانی که در این حوزه فعالیت می‌کنند می‌تواند همچون «یک الماس درخشان» باشد.

کتاب آموزش یادگیری ماشین به سبک Andrew NG برای چه کسانی مناسب است؟

خواندن این کتاب به مهندسان کامپیوتر، برنامه‌نویسان و به کسانی که در کار کردن با هوش مصنوعی تازه‌کار هستند پیشنهاد می‌شود.

در بخشی از کتاب آموزش یادگیری ماشین به سبک Andrew NG می‌خوانیم

فرض کنید در حال کار روی یک برنامه کاربردی مربوط به تصاویر پزشکی هستید که بیماری را به‌طور خودکار از طریق تصاویر اشعه ایکس تشخیص می‌دهد. برنامه مزبور برای شخص عادی بدون هیچ پیش‌زمینه پزشکی و با کمی آموزش‌های پایه به نرخ خطای 15% دست پیدا می‌کند. این نرخ خطا برای یک پزشک تازه‌کار به 10% و برای یک پزشک باتجربه به 5% می‌رسد. و در نهایت، یک تیم کوچک از پزشکان که به تبادل‌نظر راجع به هر تصویر می‌پردازند به نرخ خطای 2% می‌رسند. من در این مورد از نرخ خطای 2% به‌عنوان شاخص عملکرد سطح انسانی برای نرخ خطای بهینه خود استفاده کردم. شما می‌توانید نرخ خطای 2% را به‌عنوان سطح عملکرد مطلوب نیز در نظر بگیرید، زیرا هر سه دلیل ذکر شده در فصل قبل که مربوط به مقایسه عملکرد سطح انسانی است در اینجا کاربرد دارند: سهولت دستیابی به داده‌های برچسب‌دار از طریق برچسب‌زن‌های انسانی. شما می‌توانید به سراغ تیمی از پزشکان بروید تا برچسب‌هایی با نرخ خطای 2% را در اختیار شما قرار دهند.

تحلیل خطا ممکن است برگرفته از شهود انسانی باشد. شما می‌توانید از طریق تبادل‌نظر با تیمی از پزشکان در مورد تصاویر به شهود آن‌ها اتکا کنید. از عملکرد سطح انسانی برای برآورد نرخ خطای بهینه و نیز تنظیم «نرخ خطای مطلوب» قابل‌دستیابی استفاده کنید. منطقی است که از خطای 2% به‌عنوان تخمینی برای نرخ خطای بهینه استفاده کنید. نرخ خطای بهینه حتّی می‌تواند کمتر از 2% باشد، امّا نمی‌تواند بالاتر از این باشد زیرا برای تیمی از پزشکان این امکان وجود دارد که به خطای 2% برسند. در مقابل، این منطقی نیست که از نرخ 5% یا 10% به‌عنوان برآورد نرخ خطای بهینه استفاده کنید، زیرا می‌دانیم که این برآوردها لزوماً بیش از حد بالا هستند. وقتی صحبت از دستیابی به داده‌های برچسب‌دار به میان می‌آید، ممکن است مایل نباشید راجع به هر تصویر با تیم کاملی از پزشکان تبادل‌نظر کنید زیرا زمان آن‌ها بسیار ارزشمند و گران است. شاید بتوانید از یک پزشک تازه‌کار درخواست کنید بیشتر موارد را برچسب‌گذاری کرده و تنها موارد سخت‌تر را نزد پزشکان باتجربه‌تر یا تیم پزشکان ببرید.

فهرست مطالب کتاب

1. چرا استراتژی یادگیری ماشین
2. چگونگی استفاده از این کتاب برای کمک به تیم شما
3. پیش‌نیازها و نمادگذاری
4. مقیاس، پیش‌ران پیشرفت یادگیری ماشین است
راه‌اندازی مجموعه‌های اعتبارسنجی و آزمایشی
5. مجموعه‌های اعتبارسنجی و آزمایشی شما
6. مجموعه‌های آزمایشی و اعتبارسنجی شما باید از توزیع یکسانی آمده باشند
7. مجموعه‌های آزمایشی و اعتبارسنجی باید چه‌قدر بزرگ باشند؟
8. یک معیار ارزیابی تک عددی جهت بهینه‌سازی برای تیم خود وضع کنید
9. معیارهای بهینه‌سازی و رضایت‌مندی
10. داشتن معیار و مجموعه اعتبارسنجی تکرارها را تسریع می‌کند
11. زمان تغییر معیارها و مجموعه‌های اعتبارسنجی‌/ آزمایشی
12. نکات کلیدی در ایجاد مجموعه‌های آزمایشی و اعتبارسنجی‌
تحلیل پایه‌ای خطا
13. نخستین سیستم خود را به‌سرعت بسازید و سپس این کار را تکرار کنید
14. تحلیل خطا: نگاه به نمونه‌های موجود در مجموعه اعتبارسنجی‌ برای ارزیابی ایده‌ها
15. ارزیابی موازی ایده‌های متعدد در طی تحلیل خطا
16. پاک‌سازی نمونه‌هایی از مجموعه آزمایشی و اعتبارسنجی که به اشتباه برچسب‌گذاری می‌شوند
17. اگر یک مجموعه اعتبارسنجی بزرگ دارید، آن را به دو زیرمجموعه تقسیم کنید و فقط یکی از آن‌ها را بررسی کنید​
18. مجموعه‌های اعتبارسنجی مردمک چشم و جعبه سیاه باید چقدر بزرگ باشند؟
19. نکات کلیدی در تحلیل خطای پایه
بایاس و واریانس
20. بایاس و واریانس: دو منبع بزرگ خطا
21. مثال‌هایی از بایاس و واریانس
22. مقایسه با نرخ خطای بهینه
23. رفع بایاس و واریانس
24. موازنه بایاس-واریانس
25. تکنیک‌های کاهش بایاس اجتناب‌پذیر
26. تحلیل خطا در مجموعه آموزشی
27. تکنیک‌های کاهش واریانس
منحنی‌های یادگیری
28. تشخیص بایاس و واریانس: منحنی‌های یادگیری
29. نمایش خطای آموزش
30. تفسیر منحنی‌های یادگیری: بایاس بالا
31. تفسیر منحنی‌های یادگیری: سایر موارد
32. ترسیم منحنی‌های یادگیری
مقایسه با عملکرد سطح انسانی
33. چرا با عملکرد سطح انسانی مقایسه می‌کنیم؟
34. چگونه عملکرد سطح انسانی را تعریف کنیم؟
35. سبقت گرفتن از عملکرد سطح انسانی
توزیع‌های متفاوت مجموعه‌های آموزشی و آزمایشی
36. چه زمانی باید آموزش و آزمایش را روی توزیع‌های مختلف انجام داد
37. چگونه تصمیم می‌گیرید که آیا از تمام داده‌های خود استفاده کنید یا خیر
38. چگونه تصمیم می‌گیرید که داده‌های ناسازگار را در نظر بگیرید یا خیر
39. وزنده‌ی داده‌ها
40. تعمیم‌دهی از مجموعه آموزشی به مجموعه اعتبارسنجی
41. تشخیص خطاهای بایاس، واریانس و عدم‌انطباق داده‌ها
42. رفع عدم‌انطباق داده‌ها
43. تولید داده‌های مصنوعی
اشکال‌زدایی الگوریتم‌های استنباطی
44. آزمون صحّت‌سنجی بهینه‌سازی
45. شکل کلی آزمون صحّت‌سنجی بهینه‌سازی
46. مثال یادگیری تقویتی
یادگیری ژرف انتها به انتها
47. پیدایش یادگیری انتها به انتها
48. مثال‌های بیشتر از یادگیری انتها به انتها
49. مزایا و معایب یادگیری انتها به انتها
50. انتخاب مؤلفه‌های مجرا: دسترس‌پذیری داده‌ها
51. انتخاب مؤلفه‌های مجرا: ساده‌سازی وظیفه
52. یادگیری خروجی‌های غنی به‌طور مستقیم
تحلیل خطای بخش‌ها
53. تحلیل خطای بخش‌ها
54. نسبت دادن خطا به یک بخش
55. مورد کلی انتساب خطا
56. تحلیل خطای بخش‌ها و مقایسه با عملکرد سطح انسانی
57. تشخیص مجرای معیوب
نتیجه‌گیری
58. تشکیل تیم اَبَرقهرمان- هم‌تیمی‌های خود را به مطالعه این کتاب وادار کنید