معرفی منابع آموزش یادگیری عمیق (Deep Learning) – راهنمای جامع
اما بسیاری از علاقمندان در آغاز راه فراگیری یادگیری عمیق سردرگم هستند و نمی‌دانند سفر خود در این دنیای جذاب را از کجا آغاز کنند. این افراد باید دو نکته را در شروع کار خود مد نظر قرار دهند. اولین مورد «سطح دانش کنونی خودشان» و دومین مساله «عملی بودن رویکردشان» است.
یادگیری عمیق چیست؟
به‌طور کلی، در هوش مصنوعی به مبحث ساخت برنامه‌های کامپیوتری حل مساله‌ای پرداخته می‌شود که برای حل یک مساله خاص به صراحت برنامه‌نویسی نشده‌اند. به بیان ساده، در خط به خط کدها انجام کاری که از برنامه انتظار می‌رود، به آن دیکته نشده است. یک مثال خوب از هوش مصنوعی (و نه یادگیری ماشین)، «دیپ بلو» (Deep Blue) است. این کامپیوتر توانست در سال ۱۹۹۷، قهرمان شطرنج جهان «گری کاسپاروف» (Garry Kimovich Kasparov) را با جست‌و‌جوی عمیق جهت یافتن یک راهکار تقریبا بهینه، شکست دهد.
در یادگیری ماشین، مدل‌های احتمالاتی برای یافتن این راهکارهای تقریبی مورد استفاده قرار می‌گیرند و یک زمینه خاص از یادگیری ماشین یادگیری عمیق است که در آن از شبکه‌های عصبی به عنوان مدل‌های آماری به منظور یادگیری استفاده می‌شود. شبکه‌های عصبی عمیق قدرتمند هستند زیرا می‌توانند هر تابعی را تخمین بزنند، و از این منظر با ساده‌ترین شکل «رگرسیون خطی» (linear regression) که تنها می‌تواند روابط خطی را تشریح کند قابل مقایسه هستند.
چرا باید از یادگیری عمیق استفاده کرد؟
یکی از انتقادهایی که از یادگیری عمیق می‌شود آن است که این زمینه نقطه قوت خاصی ندارد و کاری را انجام می‌دهد که انسان توانایی انجام آن را دارد.
اما، مثال‌های جالب توجه بسیاری از هوش مصنوعی موجود است که نشان می‌دهد ماشین‌ها می‌توانند بیاموزند که در سطح ابرانسان بازی‌هایی مانند «گو» (Go) را انجام داده و یا بیماری‌ها را بهتر از پزشکان آموزش دیده تشخیص دهند. در عین حال، خودکارسازی می‌تواند بسیاری از کارها را در جوامع کنونی ارزان‌تر و موثرتر کند.
ریاضیات پیش‌نیاز
در صورتی که علاقمند به استفاده از آموزش‌های زبان فارسی برای یادگیری مباحث ریاضیات و احتمالاتی مورد نیاز یادگیری ماشین هستید، استفاده از دوره‌های زیر به شما پیشنهاد می‌شود.
- آموزش تئوری احتمالات
- آموزش آنالیز واریانس با SPSS
- آموزش همبستگی و رگرسیون خطی در SPSS
- آموزش آزمون‌های فرض مربوط به میانگین جامعه نرمال در SPSS
- آموزش آزمون آماری و پی مقدار (p-value)
- آموزش مصورسازی داده (Data Visualization) در نرم افزار R با بسته ggplot2
- مجموعه آموزش‌های ریاضیات
دوره‌های هوش مصنوعی
در ادامه دوره‌های آموزشی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق به زبان انگلیسی و فارسی معرفی شده‌اند. برخی از دوره‌های بیان شده که به زبان انگلیسی هستند صرفا با رویکرد آموزش مباحث تئوری تولید شده‌اند و برخی دیگر رویکرد کاربردی‌تری دارند.
دوره‌های به زبان انگلیسی
دوره‌های به زبان فارسی
پروژه‌های قابل انجام
شرکت در این رقابت‌ها به علاقمندان یادگیری ماشین و داده‌کاوی توصیه می‌شود.
همچنین، به علاقمندان پیشنهاد می‌شود پس از نصب نرم‌افزارهای لازم (مانند یک زبان برنامه‌نویسی همچون پایتون) و افزودن یک کتابخانه یادگیری عمیق به آن، پروژه‌های عملی انجام دهند. برای این کار مثلا می‌توان یک کد شبکه عصبی آماده را از «گیت‌هاب» (GitHub) دانلود و سپس آن را به شیوه مورد نظر و متناسب با مساله ویرایش کرد. در صورتی که علاقمندان هیچ ایده‌ای برای انجام پروژه نداشته باشند، کافیست یک مقاله را از پایه مجددا پیاده‌سازی کنند و یا جست‌و‌جوهایی برای دریافت ایده در گیت‌هاب انجام دهند.
مطالعات تکمیلی
در ادامه منابع دیگری که می‌توان از آن‌ها برای مطالعات تکمیلی در زمینه یادگیری ماشین استفاده کرد بیان شده‌اند.
- مخازن گیت‌هاب مجموعه بسیار خوبی از مقالات را در اختیار قرار می‌دهند که اغلب پیرامون معتبرترین مقالات حوزه یادگیری ماشین هستند. مطالعه مقالات قدیمی‌تر موجود در این مخازن که اغلب با تگ awsome مشخص شده‌اند و مراجعه به کتاب‌های حوزه یادگیری ماشین در صورت عدم درک مفاهیم موجود در این مقالات توصیه می‌شود. نمونه‌ای از آنچه بیان شد در این لینک در دسترس است.
- در کتاب تشخیص الگو اثر بیشاپ که بالاتر به آن اشاره شد نیز اغلب مباحث یادگیری ماشین تا پیش از سال ۲۰۱۰ میلادی با سطح خوبی از ریاضیات مورد بررسی قرار گرفته‌اند.
- مطالعه مطالب وب‌سایت kdnuggets و یادگیری ماشین در reddit نیز به افزایش انگیزه و به روز بودن دانش علاقمندان این حوزه کمک شایان توجهی می‌کند.
- برای مطالعه عمیق‌تر در زمینه یادگیری ماشین، باید به کتب تخصصی و اصلی آن مراجعه کرد. از این جمله می‌توان به کتاب یادگیری تقویتی اثر «ساتن» (Richard S. Sutton) و استاد راهنمای دوره دکترای او «اندرو برتو» (Andrew G. Barto) که یک پیش‌نویس از آن در اینجا موجود است اشاره کرد. این کتاب یک منبع فوق‌العاده برای مطالعه عمیق در حوزه یادگیری تقویتی محسوب می‌شود.
- بخش هوش مصنوعی و داده‌کاوی وبلاگ فرادرس نیز به طور مداوم با مقالات تخصصی این حوزه‌ها به روز می‌شود. مطالعه این مطالب نیز به علاقمندان علم داده و یادگیری ماشین پیشنهاد می‌شود.
نکته پایانی
اگر نوشته بالا برای شما مفید بود، آموزش‌های زیر نیز به شما پیشنهاد می‌شوند:
- مجموعه آموزش‌های هوش محاسباتی
- مجموعه آموزش‌های آمار، احتمالات و داده‌کاوی
- مجموعه آموزش‌های یادگیری ماشین و بازشناسی الگو
- مجموعه آموزش‌های الگوریتم ژنتیک و محاسبات تکاملی
- مجموعه آموزش‌های شبکه‌های عصبی مصنوعی
^^
مطالب مجله فرادرس را در جستجوی گوگل سریع‌تر ببینید
