Applied Neural Networks with TensorFlow 2 : API Oriented Deep Learning with Python

کتاب «Applied Neural Networks with TensorFlow: API Oriented Deep Learning with Python» نوشتهٔ اورهان غازی یالچین، یکی از منابع جامع و کاربردی برای ورود به دنیای یادگیری عمیق با استفاده از محبوب‌ترین کتابخانهٔ متن‌باز، یعنی تنسورفلو، است. این کتاب با رویکردی مبتنی بر رابط برنامه‌نویسی (API) و با تأکید بر درک مفاهیم بنیادین، به داده‌کاوان و برنامه‌نویسان کمک می‌کند تا فراتر از کدنویسی صرف، به درک چرایی و چگونگی عملکرد شبکه‌های عصبی بپردازند و پروژه‌های عملی خود را با اطمینان بیشتری پیاده‌سازی کنند.

دربارهٔ کتاب —

این کتاب که در سال ۲۰۲۱ توسط انتشارات معتبر اسپرینگر-آپرِس (Apress) منتشر شده، با هدف پر کردن شکاف میان تئوری و عمل در حوزهٔ یادگیری عمیق تدوین گردیده است. نویسنده با شروع از مبانی یادگیری ماشین و مقایسهٔ جایگاه یادگیری عمیق در میان مدل‌های دیگر، به‌تدریج خواننده را با معماری‌های مختلف شبکه‌های عصبی از جمله شبکه‌های پیش‌خور (Feedforward)، شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر، و شبکه‌های عصبی بازگشتی (RNN) برای داده‌های ترتیبی آشنا می‌سازد. از نکات برجستهٔ کتاب، رویکرد عملی آن با استفاده از مجموعه‌داده‌های معروفی همچون MNIST مد و سیفار-۱۰ (CIFAR-10) و همچنین بهره‌گیری از مدل‌های از پیش‌آموزش‌دیدهٔ ImageNet است که به خواننده امکان می‌دهد تا به سرعت به نتایج ملموس دست یابد. ساختار کتاب به‌گونه‌ای طراحی شده که مسیر یادگیری را از مفاهیم پایه تا مباحث پیشرفته هموار می‌سازد. پس از آشنایی با کتابخانه‌های مکملی همچون پانداس، سایکیت-لرن و نامپای، خواننده گام‌به‌گام با خط‌لولهٔ (Pipeline) توسعه با تنسورفلو.۰ و کی‌راس (Keras) آشنا می‌شود. بخش‌های پیشرفته‌تر کتاب به مباحثی مانند افزایش داده (Data Augmentation)، نرمال‌سازی دسته‌ای (Batch Normalization)، و همچنین کاربردهای یادگیری نظارت‌نشده با خودرمزگذارها (Autoencoders) و یادگیری تقویتی با مدل‌های tf-agent اختصاص یافته است. همچنین فصلی مجزا به مدل‌های مولد تخاصمی (GANs) اختصاص داده شده تا مخاطب با جدیدترین دستاوردهای تولید محتوای مصنوعی آشنا شود.

دربارهٔ نویسنده

اورهان غازی یالچین (Orhan Gazi Yalçın) نویسندهٔ این کتاب، دانشجوی هم‌رسالهٔ دکتری در دانشگاه بولونیا و دانشگاه پلی‌تکنیک مادرید است. او با پیشینه‌ای دوگانه در حقوق و کسب‌وکار، مسیر شغلی خود را به‌عنوان وکیل در یک دفتر حقوقی بین‌المللی و سپس همکاری با شبکهٔ کارآفرینی جهانی «اندیور» (Endeavor) آغاز کرد. یالچین که برنامه‌نویسی را به‌صورت خودآموز فراگرفته، به‌تدریج تخصص خود را در حوزهٔ یادگیری ماشین و هوش مصنوعی عمیق کرده و اکنون پژوهش‌های او بر روی موضوعات داغ و میان‌رشته‌ای مانند هوش مصنوعی قابل‌توضیح (Explainable AI) و حق دریافت توضیح (Right to Explanation) متمرکز است که تلفیقی از مهارت‌های فنی و حقوقی او را به نمایش می‌گذارد.

چرا باید این کتاب را بخوانید؟

• درک مفهومی به‌جای کدنویسی صرف: این کتاب با تأکید بر توضیحات عمیق مفهومی، به شما می‌آموزد که چرا یک روش خاص کار می‌کند و این درک، شما را به یک متخصص نه‌تنها کاربر، بلکه تحلیل‌گر تبدیل می‌کند.
• پوشش جامع کتابخانه‌های مکمل و رقبا: موقعیت تنسورفلو را در میان سایر ابزارها مانند PyTorch، کافه (Caffe) و تیانو (Theano) شفاف می‌سازد و به شما در انتخاب آگاهانه‌ترین ابزار کمک می‌کند.
• کاربردهای عملی و متنوع: از طبقه‌بندی تصاویر و تشخیص اشیا با شبکه‌های کانولوشنی گرفته تا پیش‌بینی امتیاز کاربران در سیستم‌های توصیه‌گر و تولید متن یا تصویر با شبکه‌های مولد تخاصمی، تنوع پروژه‌های کتاب بسیار بالاست.
• آموزش گام‌به‌گام و ساختاریافته: کتاب با زبانی روان و ساختاری منطقی، از اصول پایه‌ای یادگیری ماشین شروع کرده و به‌تدریج شما را به مباحث پیشرفتهٔ یادگیری تقویتی و خودرمزگذارها هدایت می‌کند.
• معرفی تکنیک‌های بهینه‌سازی: مباحثی مانند افزایش داده و نرمال‌سازی دسته‌ای که برای بهبود عملکرد و جلوگیری از بیش‌برازش (Overfitting) مدل‌های عمیق حیاتی هستند، به‌خوبی پوشش داده شده‌اند.

این کتاب برای چه کسانی مناسب است؟

این کتاب به‌طور خاص برای داده‌کاوان و برنامه‌نویسانی طراحی شده که تازه‌کار هستند و می‌خواهند با رویکردی مبتنی بر رابط برنامه‌نویسی، یادگیری عمیق را با تنسورفلو آغاز کنند. همچنین برای دانشجویان رشته‌های علوم کامپیوتر، مهندسی داده و هوش مصنوعی که به دنبال منبعی برای پروژه‌های عملی و درسی خود هستند، بسیار مفید است. حتی متخصصانی که با سایر کتابخانه‌ها کار کرده‌اند نیز می‌توانند از این کتاب برای درک بهتر مزیت‌های نسبی تنسورفلو ۲ و روش‌های نوین پیاده‌سازی استفاده کنند.

سوالات متداول

آیا برای مطالعهٔ این کتاب به دانش قبلی در زمینهٔ یادگیری ماشین نیاز است؟

خیر، این کتاب با یک مقدمهٔ کامل بر یادگیری ماشین و یادگیری عمیق آغاز می‌شود و مفاهیم پایه را به‌خوبی پوشش می‌دهد. با این حال، آشنایی مقدماتی با زبان برنامه‌نویسی پایتون می‌تواند به درک بهتر مثال‌های کد کمک کند.

آیا کتاب صرفاً بر روی تنسورفلو ۲ متمرکز است یا مباحث تئوری هم دارد؟

کتاب علاوه بر جنبهٔ عملی و کدنویسی با کی‌راس، بر توضیح مفاهیم تئوری و ریاضی پشت شبکه‌های عصبی نیز تأکید دارد و به شما کمک می‌کند تا درک عمیقی از نحوهٔ کارکرد آن‌ها داشته باشید.

آیا پروژه‌های کتاب با نسخهٔ فعلی تنسورفلو سازگار است؟

این کتاب بر اساس نسخهٔ.۰ تنسورفلو نوشته شده است. با وجود تغییرات جزئی در نسخه‌های جدیدتر، ساختار اصلی کی‌راس و مفاهیم بنیادین تغییر چندانی نکرده و کدهای کتاب همچنان به‌عنوان یک منبع آموزشی معتبر قابل استفاده هستند.

Implement deep learning applications using TensorFlow while learning the “why” through in-depth conceptual explanations. You’ll start by learning what deep learning offers over other machine learning models. Then familiarize yourself with several technologies used to create deep learning models. While some of these technologies are complementary, such as Pandas, Scikit-Learn, and Numpy—others are competitors, such as PyTorch, Caffe, and Theano. This book clarifies the positions of deep learning and Tensorflow among their peers. You'll then work on supervised deep learning models to gain applied experience with the technology. A single-layer of multiple perceptrons will be used to build a shallow neural network before turning it into a deep neural network. After showing the structure of the ANNs, a real-life application will be created with Tensorflow 2.0 Keras API. Next, you’ll work on data augmentation and batch normalization methods. Then, the Fashion MNIST dataset will be used to train a CNN. CIFAR10 and Imagenet pre-trained models will be loaded to create already advanced CNNs. Finally, move into theoretical applications and unsupervised learning with auto-encoders and reinforcement learning with tf-agent models. With this book, you’ll delve into applied deep learning practical functions and build a wealth of knowledge about how to use TensorFlow effectively.**What You'll Learn** * Compare competing technologies and see why TensorFlow is more popular * Generate text, image, or sound with GANs * Predict the rating or preference a user will give to an item * Sequence data with recurrent neural networks **Who This Book Is For** Data scientists and programmers new to the fields of deep learning and machine learning APIs. Implement deep learning applications using TensorFlow while learning the “why” through in-depth conceptual explanations. You’ll start by learning what deep learning offers over other machine learning models. Then familiarize yourself with several technologies used to create deep learning models. While some of these technologies are complementary, such as Pandas, Scikit-Learn, and Numpy—others are competitors, such as PyTorch, Caffe, and Theano. This book clarifies the positions of deep learning and Tensorflow among their peers. You'll then work on supervised deep learning models to gain applied experience with the technology. A single-layer of multiple perceptrons will be used to build a shallow neural network before turning it into a deep neural network. After showing the structure of the ANNs, a real-life application will be created with Tensorflow 2.0 Keras API. Next, you’ll work on data augmentation and batch normalization methods. Then, the Fashion MNIST dataset will be used to train a CNN. CIFAR10 and Imagenet pre-trained models will be loaded to create already advanced CNNs. Finally, move into theoretical applications and unsupervised learning with auto-encoders and reinforcement learning with tf-agent models. With this book, you’ll delve into applied deep learning practical functions and build a wealth of knowledge about how to use TensorFlow effectively. What You'll Learn Compare competing technologies and see why TensorFlow is more popular Generate text, image, or sound with GANs Predict the rating or preference a user will give to an item Sequence data with recurrent neural networks Who This Book Is For Data scientists and programmers new to the fields of deep learning and machine learning APIs. Implement deep learning applications using TensorFlow while learning the "why" through in-depth conceptual explanations. You'll start by learning what deep learning offers over other machine learning models. Then familiarize yourself with several technologies used to create deep learning models. While some of these technologies are complementary, such as Pandas, Scikit-Learn, and Numpy-others are competitors, such as PyTorch, Caffe, and Theano. This book clarifies the positions of deep learning and Tensorflow among their peers. You'll then work on supervised deep learning models to gain applied experience with the technology. A single-layer of multiple perceptrons will be used to build a shallow neural network before turning it into a deep neural network. After showing the structure of the ANNs, a real-life application will be created with Tensorflow 2.0 Keras API. Next, you'll work on data augmentation and batch normalization methods. Then, the Fashion MNIST dataset will be used to train a CNN. CIFAR10 and Imagenet pre-trained models will be loaded to create already advanced CNNs. Finally, move into theoretical applications and unsupervised learning with auto-encoders and reinforcement learning with tf-agent models. With this book, you'll delve into applied deep learning practical functions and build a wealth of knowledge about how to use TensorFlow effectively. You will: Compare competing technologies and see why TensorFlow is more popular ; Generate text, image, or sound with GANs ; Predict the rating or preference a user will give to an item ; Sequence data with recurrent neural networks Front Matter ....Pages i-xix Introduction (Orhan Gazi Yalçın)....Pages 1-32 Introduction to Machine Learning (Orhan Gazi Yalçın)....Pages 33-55 Deep Learning and Neural Networks Overview (Orhan Gazi Yalçın)....Pages 57-80 Complementary Libraries to TensorFlow 2.x (Orhan Gazi Yalçın)....Pages 81-94 A Guide to TensorFlow 2.0 and Deep Learning Pipeline (Orhan Gazi Yalçın)....Pages 95-120 Feedforward Neural Networks (Orhan Gazi Yalçın)....Pages 121-143 Convolutional Neural Networks (Orhan Gazi Yalçın)....Pages 145-160 Recurrent Neural Networks (Orhan Gazi Yalçın)....Pages 161-185 Natural Language Processing (Orhan Gazi Yalçın)....Pages 187-213 Recommender Systems (Orhan Gazi Yalçın)....Pages 215-236 Autoencoders (Orhan Gazi Yalçın)....Pages 237-257 Generative Adversarial Network (Orhan Gazi Yalçın)....Pages 259-284 Back Matter ....Pages 285-295