Deep Learning on Windows : Building Deep Learning Computer Vision Systems on Microsoft Windows

کتاب «Deep Learning on Windows» نوشتهٔ تیمیرا آماراتونگا (Thimira Amaratunga) پاسخی عملی و مستقیم به یکی از چالش‌های همیشگی توسعه‌دهندگان حوزهٔ هوش مصنوعی است: کار با ابزارهای یادگیری عمیق در محیط سیستمعامل ویندوز. این کتاب با زبانی گام‌به‌گام، از نصب و راه‌اندازی تا پیاده‌سازی پروژه‌های بینایی ماشین را پوشش می‌دهد و منبعی ارزشمند برای متخصصانی محسوب می‌شود که می‌خواهند بدون مهاجرت به سیستمعامل دیگر، از قدرت کتابخانه‌هایی چون TensorFlow، Keras و OpenCV بهره ببرند.

دربارهٔ کتاب —

موضوع اصلی این کتاب، ساخت سیستم‌های یادگیری عمیق و بینایی ماشین بر روی سیستمعامل مایکروسافت ویندوز با استفاده از زبان برنامه‌نویسی پایتون است. کتاب با ارائهٔ مقدمه‌ای بر ابزارهای مورد نیاز آغاز شده و سپس به‌تفصیل به مراحل نصب، پیکربندی و عیب‌یابی آن‌ها می‌پردازد. این راهنما به خواننده کمک می‌کند تا اولین مدل یادگیری عمیق خود را ساخته و با سازوکار داخلی شبکه‌های عصبی کانولوشنی آشنا شود. یکی از نقاط قوت کتاب، اختصاص فصل‌هایی به تکنیک‌های پیشرفته‌ای همچون یادگیری انتقالی (Transfer Learning) و روش‌های بصری‌سازی مدل‌ها برای درک بهتر عملکرد آن‌هاست. در ادامه، مخاطب با نحوهٔ مدیریت فرآیندهای طولانی‌مدت آموزش مدل و نیز روش‌های ذخیره‌سازی و ازسرگیری آن آشنا می‌شود که برای پروژه‌های واقعی بسیار حیاتی است. بخش مهم دیگری از کتاب به استقرار مدل به‌عنوان یک برنامهٔ تحت وب اختصاص دارد که مرز بین توسعهٔ محلی و ارائهٔ محصول نهایی را کمرنگ می‌کند. کتاب در فصل‌های انتهایی با معرفی شبکه‌های مولد تخاصمی (GANs) و مفاهیم اولیهٔ یادگیری تقویتی، افق دید خواننده را به موضوعات روز دنیای هوش مصنوعی می‌گشاید.

دربارهٔ نویسنده

نویسندهٔ کتاب، تیمیرا آماراتونگا (Thimira Amaratunga)، یک معمار ارشد نرم‌افزار و مخترع در حوزهٔ هوش مصنوعی با بیش از پانزده سال سابقهٔ کاری است. او مدرک کارشناسی ارشد علوم کامپیوتر از دانشگاه کلمبو در سری‌لانکا دارد و تاکنون سه اختراع در زمینهٔ شبکه‌های عصبی پویا ثبت کرده است. آماراتونگا پیش از این کتاب، دو جلد دیگر در زمینهٔ یادگیری عمیق با عناوین «Build Deeper: The Deep Learning Beginners’ Guide» و «Build Deeper: The Path to Deep Learning» منتشر کرده و همچنین نویسندهٔ وب‌سایت تخصصی Codes of Interest است که به آموزش مفاهیم یادگیری عمیق و بینایی ماشین می‌پردازد.

چرا باید «Deep Learning on Windows» را بخوانید؟

• راه‌اندازی بی‌دردسر ابزارها در ویندوز: با راهنمای گام‌به‌گام برای نصب و پیکربندی کتابخانه‌های کلیدی مانند TensorFlow، Keras و OpenCV، چالش‌های محیط ویندوز را پشت سر می‌گذارید.
• درک عمیق شبکه‌های عصبی: با استفاده از تکنیک‌های بصری‌سازی مانند plot_model در Keras، معماری داخلی و عملکرد مدل‌های خود را به‌صورت دیداری درک می‌کنید.
• مدیریت پروژه‌های واقعی یادگیری عمیق: نحوهٔ نوشتن اسکریپت‌های مقاوم، ذخیره‌سازی و ازسرگیری فرآیندهای طولانی آموزش را فرا می‌گیرید که برای کار با دیتاست‌های بزرگ ضروری است.
• استقرار مدل به‌صورت برنامهٔ وب: از مرحلهٔ توسعهٔ محلی فراتر رفته و می‌آموزید چگونه مدل خود را به یک اپلیکیشن تحت وب قابل ارائه تبدیل کنید.
• آشنایی با شبکه‌های مولد تخاصمی (DCGAN): با پیاده‌سازی یک نمونه از این شبکه‌ها، توانایی تولید داده‌های جدید مانند تصاویر اعداد دست‌نویس یا چهره‌های انسان را به دست خواهید آورد.
• کسب دانش مقدماتی از یادگیری تقویتی: با اصول اولیهٔ یکی دیگر از شاخه‌های مهم هوش مصنوعی آشنا می‌شوید و درک جامع‌تری از این حوزه پیدا می‌کنید.

این کتاب برای چه کسانی مناسب است؟

این کتاب به‌ویژه برای توسعه‌دهندگان حوزهٔ هوش مصنوعی و علاقه‌مندان به یادگیری عمیق طراحی شده است که می‌خواهند فعالیت‌های خود را بر روی سیستمعامل ویندوز انجام دهند. همچنین برای دانشجویان و پژوهشگرانی که به‌تازگی وارد حوزهٔ بینایی ماشین شده‌اند و به دنبال یک منبع جامع و عملی برای شروع کار با ابزارهای استاندارد هستند، بسیار مفید خواهد بود. با وجود پوشش مفاهیم پیشرفته، ساختار گام‌به‌گام کتاب آن را برای افراد با سطوح مختلف دانش، از مبتدی تا متوسط، مناسب می‌سازد.

سوالات متداول

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

کتاب با مفاهیم پایه و تاریخچهٔ یادگیری عمیق آغاز می‌شود، بنابراین برای مبتدیان قابل استفاده است. با این حال، آشنایی اولیه با زبان پایتون و مفاهیم کلی برنامه‌نویسی می‌تواند به درک بهتر مراحل عملی کمک کند.

آیا این کتاب فقط بر روی تئوری متمرکز است یا پروژهٔ عملی هم دارد؟

محتوای کتاب به‌شدت بر جنبهٔ عملی متمرکز است. از نصب ابزارها گرفته تا ساخت اولین مدل، کار با دیتاست، و در نهایت استقرار آن به‌عنوان یک برنامهٔ وب، تمام مراحل به‌صورت عملی و با ارائهٔ کدهای قابل اجرا همراه است.

تفاوت این کتاب با سایر منابع یادگیری عمیق چیست؟

تمرکز ویژهٔ این کتاب بر روی سیستمعامل ویندوز است و به چالش‌های خاص این محیط (مانند نصب کتابخانه‌ها) می‌پردازد. در حالی که بسیاری از منابع بر لینوکس متمرکز هستند، این کتاب راهکاری یکپارچه و اختصاصی برای کاربران ویندوز ارائه می‌دهد.

Build deep learning and computer vision systems using Python, TensorFlow, Keras, OpenCV, and more, right within the familiar environment of Microsoft Windows. The book starts with an introduction to tools for deep learning and computer vision tasks followed by instructions to install, configure, and troubleshoot them. Here, you will learn how Python can help you build deep learning models on Windows. Moving forward, you will build a deep learning model and understand the internal-workings of a convolutional neural network on Windows. Further, you will go through different ways to visualize the internal-workings of deep learning models along with an understanding of transfer learning where you will learn how to build model architecture and use data augmentations. Next, you will manage and train deep learning models on Windows before deploying your application as a web application. You’ll also do some simple image processing and work with computer vision options that will help you build various applications with deep learning. Finally, you will use generative adversarial networks along with reinforcement learning. After reading __Deep Learning on Windows__, you will be able to design deep learning models and web applications on the Windows operating system. **What You Will Learn** * Understand the basics of Deep Learning and its history Get Deep Learning tools working on Microsoft Windows* Understand the internal-workings of Deep Learning models by using model visualization techniques, such as the built-in plot\_model function of Keras and third-party visualization tools * Understand Transfer Learning and how to utilize it to tackle small datasets * Build robust training scripts to handle long-running training jobs * Convert your Deep Learning model into a web application * Generate handwritten digits and human faces with DCGAN (Deep Convolutional Generative Adversarial Network) * Understand the basics of Reinforcement Learning **Who This Book Is For** AI developers and enthusiasts wanting to work on the Windows platform. Front Matter ....Pages i-xviii What Is Deep Learning? (Thimira Amaratunga)....Pages 1-14 Where to Start Your Deep Learning (Thimira Amaratunga)....Pages 15-31 Setting Up Your Tools (Thimira Amaratunga)....Pages 33-66 Building Your First Deep Learning Model (Thimira Amaratunga)....Pages 67-100 Understanding What We Built (Thimira Amaratunga)....Pages 101-114 Visualizing Models (Thimira Amaratunga)....Pages 115-130 Transfer Learning (Thimira Amaratunga)....Pages 131-179 Starting, Stopping, and Resuming Learning (Thimira Amaratunga)....Pages 181-213 Deploying Your Model as a Web Application (Thimira Amaratunga)....Pages 215-231 Having Fun with Computer Vision (Thimira Amaratunga)....Pages 233-251 Introduction to Generative Adversarial Networks (Thimira Amaratunga)....Pages 253-286 Basics of Reinforcement Learning (Thimira Amaratunga)....Pages 287-310 Back Matter ....Pages 311-338