مبانی یادگیری ماشین
مقدمه پس از سه مثال عملی در فصل ۴، شما باید با چگونگی رویکرد به مسائل طبقهبندی و رگرسیون با استفاده از شبکههای عصبی آشنا شده باشید و با مشکل اصلی یادگیری ماشین: بیشبرازش (overfitting)، مواجه شدهاید. این فصل برخی از شهود جدید شما در مورد یادگیری ماشین را به یک چارچوب مفهومی مستحکم رسمی […]
آغاز کار با شبکههای عصبی: طبقهبندی و رگرسیون
مقدمه این فصل برای شروع استفاده شما از شبکههای عصبی برای حل مسائل واقعی طراحی شده است. شما دانش کسبشده از فصلهای ۲ و ۳ را تثبیت خواهید کرد و آنچه را که آموختهاید در سه کار جدید که سه مورد استفاده رایج شبکههای عصبی را پوشش میدهند، به کار خواهید گرفت—طبقهبندی دودویی، طبقهبندی چندکلاسه، […]
مقدمهای بر کراس (Keras) و تنسورفلو(Tensor Flow)
مقدمه این فصل قصد دارد هر آنچه برای شروع یادگیری عمیق در عمل نیاز دارید را به شما بدهد. من یک ارائه سریع از Keras (https://keras.io) و TensorFlow (https://tensorflow.org)، ابزارهای یادگیری عمیق مبتنی بر پایتون که در سراسر کتاب از آنها استفاده خواهیم کرد، خواهم داشت. خواهید فهمید که چگونه یک فضای کاری یادگیری عمیق […]
بخشهای سازنده ریاضی شبکههای عصبی
مقدمه برای درک یادگیری عمیق، آشنایی با بسیاری از مفاهیم ریاضی ساده ضروری است: تنسورها، عملیات تنسور، مشتقگیری، گرادیان کاهشی و غیره. هدف ما در این فصل، ساختن شهود شما در مورد این مفاهیم بدون ورود بیش از حد به جزئیات فنی است. به طور خاص، ما از نمادهای ریاضی دوری خواهیم کرد، چرا که […]
یادگیری عمیق چیست
مقدمه در چند سال گذشته، هوش مصنوعی (AI) موضوع تبلیغات رسانهای شدیدی بوده است. یادگیری ماشین، یادگیری عمیق و هوش مصنوعی در مقالات بیشماری، اغلب خارج از نشریات با رویکرد فناوری، مطرح میشوند. به ما آیندهای از چتباتهای هوشمند، خودروهای خودران و دستیاران مجازی وعده داده شده است—آیندهای که گاهی در نور تیره و تار […]
یادگیری عمیق در مقابل یادگیری ماشین: تفاوتهای کلیدی که باید بدانید!
مقدمه در دنیای هوش مصنوعی، دو اصطلاح یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) بیش از هر زمان دیگری شنیده میشوند. بسیاری از افراد این دو مفهوم را بهجای یکدیگر استفاده میکنند، در حالی که تفاوتهای مهمی میان آنها وجود دارد؛ تفاوتهایی که دانستن آنها برای انتخاب روش درست در هر پروژه دادهمحور […]
آموزش جامع یادگیری عمیق (Deep Learning)-بخش اول
مقدمه در سالهای اخیر، پیشرفت هوش مصنوعی باعث شده است سیستمهایی ساخته شوند که بتوانند تصویر را تشخیص دهند، متن تولید کنند، صدا را درک کنند و حتی تصمیمهای پیچیده بگیرند. پشت بسیاری از این قابلیتها، مفهومی به نام یادگیری عمیق(Deep Learning) قرار دارد. رویکردی پیشرفته که تحولی جدی در دنیای یادگیری ماشین ایجاد کرده […]
علم داده (Data Science)چیست؟
1. مقدمه در دنیای امروز که دادهها با سرعتی بيسابقه توليد ميشوند، علم داده (Data Science) به يكي از ستونهاي اصلي تصميمگيري هوشمند و مديريت كسبوكار تبديل شده است. سازمانها هر روز حجم عظيمي از دادههاي خام از پايگاههاي اطلاعاتي، سنسورها، شبكههاي اجتماعي و تعاملات مشتريان دريافت ميكنند. اما تنها زماني اين دادهها ارزشمند ميشوند […]
شبکه عصبی عمیق (Deep Neural Network)
فصل چهارم شبکه های عصبی عمیق فصل آخر شبکه های عصبی کم عمق را که دارای یک لایه پنهان هستند، تشریح کرد. این فصل شبکه های عصبی عمیق را معرفی می کند که بیش از یک لایه پنهان دارند. با توابع فعالسازی ReLU، شبکههای کم عمق و عمیق، نگاشتهای خطی تکهای را از ورودی تا […]
یادگیری تحت نظارت (Supervised Learning)
فصل دوم یادگیری تحت نظارت یک مدل یادگیری نظارت شده، نقشه برداری از یک یا چند ورودی به یک یا چند خروجی را تعریف می کند. به عنوان مثال، ورودی ممکن است سن و مسافت پیموده شده یک تویوتا پریوس دست دوم باشد، و خروجی ممکن است ارزش تخمینی خودرو به دلار باشد. مدل فقط […]