یادگیری تنسورفلو ۲.۰: پیاده‌سازی مدل‌های یادگیری ماشین و یادگیری عمیق با پایتون

کتاب «یادگیری تنسورفلو.۰: پیاده‌سازی مدل‌های یادگیری ماشین و یادگیری عمیق با پایتون» نوشتهٔ پرامود سینگ و آویناش مانیور، راهنمایی عملی و گام‌به‌گام برای ورود به دنیای یادگیری ماشین با جدیدترین نسخهٔ این فریم‌ورک قدرتمند است. این کتاب که توسط انتشارات آپرس (Apress) منتشر شده، با تمرکز بر تغییرات اساسی نسخهٔ دوم تنسورفلو و ارائهٔ مثال‌های کدنویسی شده، به دانشمندان داده و مهندسان یادگیری ماشین کمک می‌کند تا مدل‌های خود را از مرحلهٔ ایده تا پیاده‌سازی در محیط تولید پیش ببرند.

دربارهٔ کتاب یادگیری تنسورفلو.۰: پیاده‌سازی مدل‌های یادگیری ماشین و یادگیری عمیق با پایتون

کتاب «یادگیری تنسورفلو.۰» با هدف پر کردن شکاف میان نسخه‌های پیشین و تغییرات بنیادین نسخهٔ دوم این کتابخانه نوشته شده است. نویسندگان با معرفی فریم‌ورک تنسورفلو.۰ و تفاوت‌های کلیدی آن با نسخهٔ.ایکس آغاز می‌کنند و سپس به سراغ مفاهیم پایه‌ای مانند تانسورها، رتبه و شکل آن‌ها می‌روند. از نقاط قوت کتاب، پوشش جامع مباحث از یادگیری نظارت‌شده (Supervised Learning) با رگرسیون خطی و لجستیک تا مدل‌های پیشرفته‌تر مانند شبکه‌های عصبی عمیق (DNN)، شبکه‌های عصبی کانولوشنی (CNN) برای پردازش تصویر و مدل‌های پردازش زبان طبیعی (NLP) است. رویکرد کتاب به‌شدت عملی و پروژه‌محور است و تمامی کدهای ارائه شده به صورت اسکریپت‌های قابل اجرا در مخزن گیت‌هاب در دسترس قرار گرفته‌اند تا خواننده بتواند آن‌ها را اجرا و توسعه دهد. در نهایت، کتاب به یکی از مهم‌ترین دغدغه‌های فعالان این حوزه یعنی استقرار مدل‌ها (Deployment) در محیط تولید می‌پردازد و روش‌های ذخیره‌سازی، بازیابی و ارائهٔ مدل را به عنوان یک سرویس REST تشریح می‌کند. هرچند برخی از منتقدان به عدم توضیح کافی در مورد کدها اشاره کرده‌اند، اما ساختار گام‌به‌گام و پوشش گستردهٔ مباحث، آن را به منبعی مناسب برای ورود سریع به تنسورفلو.۰ تبدیل کرده است.

دربارهٔ نویسنده

پرامود سینگ، یکی از نویسندگان کتاب، یک متخصص برجستهٔ یادگیری ماشین با بیش از ده سال سابقهٔ کار در پروژه‌های گوناگون داده در سازمان‌های مختلف است. او که در حال حاضر به عنوان مدیر علم داده در شرکت مشاورهٔ بین‌المللی بین (Bain & Company) فعالیت می‌کند، پیشتر سابقهٔ همکاری با وال‌مارت لبز (Walmart Labs) را در کارنامه داشته است. سینگ نویسندهٔ چندین کتاب دیگر از جمله «یادگیری ماشین با پای‌اسپارک» (Machine Learning with PySpark) و «یادگیری پای‌اسپارک» (Learn PySpark) است و به عنوان سخنران در کنفرانس‌های معتبری مانند Strata و O'Reilly AI فعالیت دارد. او مدرک کارشناسی خود را در مهندسی برق و مدرک MBA خود را از دانشگاه سیمبیوسیس (Symbiosis University) دریافت کرده است. آویناش مانیور نیز یک دانشمند ارشد داده در شرکت پابلیسیس ساپینت (Publicis Sapient) با بیش از ۸ سال تجربه در حل چالش‌های دنیای واقعی با استفاده از داده است. او در زمینهٔ استقرار الگوریتم‌های پیچیدهٔ یادگیری ماشین و مدل‌سازی آماری برای شناسایی الگوها و استخراج بینش‌های ارزشمند برای ذی‌نفعان سازمانی تخصص دارد.

چرا باید یادگیری تنسورفلو.۰: پیاده‌سازی مدل‌های یادگیری ماشین و یادگیری عمیق با پایتون را بخوانید؟

مطالعهٔ این کتاب به شما کمک می‌کند تا به بینش‌ها و مهارت‌های کلیدی زیر دست یابید: درک تغییرات اساسی تنسورفلو.۰: با تفاوت‌های کلیدی مانند حذف جلسات (Session) و جایگزینی آن با اجرای مشتاقانه (Eager Execution) و همچنین ساده‌سازی APIها آشنا می‌شوید. مهارت در ساخت مدل‌های یادگیری نظارت‌شده: نحوهٔ پیاده‌سازی مدل‌های رگرسیون و طبقه‌بندی را با استفاده از تنسورفلو و کراس (Keras) به طور کامل فرا می‌گیرید. تسلط بر شبکه‌های عصبی و یادگیری عمیق: معماری شبکه‌های عصبی، شبکه‌های کانولوشنی برای بینایی کامپیوتر و شبکه‌های بازگشتی برای پردازش زبان طبیعی را گام‌به‌گام پیاده‌سازی می‌کنید. آشنایی با استقرار مدل‌ها در تولید: با روش‌های ذخیره‌سازی و ارائهٔ مدل به عنوان یک سرویس RESTful، دانش عملی برای تبدیل پروژه‌های خود به محصولات قابل استفاده کسب می‌کنید. دسترسی به کدهای آماده و قابل اجرا: همهٔ مثال‌های کتاب به صورت اسکریپت‌های پایتون در گیت‌هاب موجود است که به شما امکان آزمایش و توسعهٔ آن‌ها را می‌دهد.

این کتاب برای چه کسانی مناسب است؟

این کتاب به طور مشخص برای دانشمندان داده (Data Scientists) و مهندسان یادگیری ماشین و یادگیری عمیق (Machine and Deep Learning Engineers) طراحی شده است. همچنین، توسعه‌دهندگان نرم‌افزار و متخصصان حوزهٔ هوش مصنوعی که قصد دارند با جدیدترین امکانات و ساده‌سازی‌های تنسورفلو.۰ آشنا شوند و مهارت‌های عملی خود را در این زمینه ارتقا دهند، از مخاطبان اصلی این کتاب محسوب می‌شوند. با وجود اینکه داشتن آشنایی پایه با پایتون و مبانی یادگیری ماشین می‌تواند مفید باشد، رویکرد گام‌به‌گام کتاب آن را برای افرادی که به‌تازگی وارد این حوزه شده‌اند نیز قابل استفاده کرده است.

سوالات متداول

آیا این کتاب صرفاً بر مباحث تئوری تأکید دارد یا شامل کار عملی با کدنویسی نیز می‌شود؟

این کتاب یک راهنمای کاملاً عملی است و تمامی مفاهیم با ارائهٔ کدهای پایتون و مثال‌های عینی آموزش داده می‌شوند. تمام کدهای کتاب به صورت اسکریپت‌های قابل اجرا در گیت‌هاب در دسترس هستند تا خواننده بتواند به راحتی آن‌ها را اجرا و آزمایش کند.

آیا برای درک این کتاب به دانش قبلی در مورد نسخهٔ.ایکس تنسورفلو نیاز دارم؟

خیر، این کتاب با معرفی کامل تغییرات و تفاوت‌های میان نسخهٔ قدیم و جدید آغاز می‌شود و نیازی به پیش‌زمینهٔ قبلی در تنسورفلو ندارد. نویسندگان تلاش کرده‌اند تا برای مخاطبانی که با نسخهٔ قبلی کار نکرده‌اند نیز قابل درک باشد.

آیا این کتاب مباحث پیشرفته‌ای مانند یادگیری انتقالی (Transfer Learning) را نیز پوشش می‌دهد؟

بله، کتاب فراتر از مباحث پایه رفته و موضوعات پیشرفته‌تری مانند شبکه‌های عصبی کانولوشنی پیشرفته، یادگیری انتقالی و خودرمزگذارهای متغیر (Variational Autoencoders) را نیز با ارائهٔ کدهای عملی پوشش می‌دهد.

Learn how to use TensorFlow 2.0 to build machine learning and deep learning models with complete examples. The book begins with introducing TensorFlow 2.0 framework and the major changes from its last release. Next, it focuses on building Supervised Machine Learning models using TensorFlow 2.0. It also demonstrates how to build models using customer estimators. Further, it explains how to use TensorFlow 2.0 API to build machine learning and deep learning models for image classification using the standard as well as custom parameters. You'll review sequence predictions, saving, serving, deploying, and standardized datasets, and then deploy these models to production. All the code presented in the book will be available in the form of executable scripts at Github which allows you to try out the examples and extend them in interesting ways. What You'll Learn: • Review the new features of TensorFlow 2.0 • Use TensorFlow 2.0 to build machine learning and deep learning models • Perform sequence predictions using TensorFlow 2.0 • Deploy TensorFlow 2.0 models with practical examples Who This Book Is For: Data scientists, machine and deep learning engineers. Table of Contents 5 About the Authors 9 About the Technical Reviewer 11 Acknowledgments 12 Introduction 14 Chapter 1: Introduction to TensorFlow 2.0 16 Tensor + Flow = TensorFlow 17 Components and Basis Vectors 18 Tensor 21 Rank 22 Shape 22 Flow 22 TensorFlow 1.0 vs. TensorFlow 2.0 24 Usability-Related Changes 25 Simpler APIs 25 High-Level APIs 25 Lower-Level APIs 26 Session Execution 26 Eager Execution 27 tf.function 29 Keras 29 Redundancy 30 Improved Documentation and More Inbuilt Data Sources 31 Performance-Related Changes 31 Installation and Basic Operations in TensorFlow 2.0 32 Anaconda 32 Colab 32 Databricks 34 Conclusion 39 Chapter 2: Supervised Learning with TensorFlow 40 What Is Supervised Machine Learning? 40 Linear Regression with TensorFlow 2.0 43 Implementation of a Linear Regression Model, Using TensorFlow and Keras 44 Logistic Regression with TensorFlow 2.0 52 Boosted Trees with TensorFlow 2.0 62 Ensemble Technique 62 Bagging 63 Boosting 63 Gradient Boosting 64 Conclusion 67 Chapter 3: Neural Networks and Deep Learning with TensorFlow 68 What Are Neural Networks? 68 Neurons 69 Artificial Neural Networks (ANNs) 70 Simple Neural Network Architecture 72 Forward and Backward Propagation 73 Building Neural Networks with TensorFlow 2.0 76 About the Data Set 76 Deep Neural Networks (DNNs) 82 Building DNNs with TensorFlow 2.0 83 Estimators Using the Keras Model 86 Conclusion 89 Chapter 4: Images with TensorFlow 90 Image Processing 91 Convolutional Neural Networks 92 Convolutional Layer 92 Pooling Layer 95 Fully Connected Layer 96 ConvNets Using TensorFlow 2.0 97 Advanced Convolutional Neural Network Architectures 104 Transfer Learning 108 Transfer Learning and Machine Learning 110 Variational Autoencoders Using TensorFlow 2.0 112 Autoencoders 112 Applications of Autoencoders 113 Variational Autoencoders 113 Implementation of Variational Autoencoders Using TensorFlow 2.0 114 Conclusion 121 Chapter 5: Natural Language Processing with TensorFlow 2.0 122 NLP Overview 122 Text Preprocessing 124 Tokenization 125 Word Embeddings 127 Text Classification Using TensorFlow 128 Text Processing 130 Deep Learning Model 134 Embeddings 135 TensorFlow Projector 138 Conclusion 144 Chapter 6: TensorFlow Models in Production 145 Model Deployment 146 Isolation 147 Collaboration 147 Model Updates 148 Model Performance 148 Load Balancer 148 Python-Based Model Deployment 149 Saving and Restoring a Machine Learning Model 149 Deploying a Machine Learning Model As a REST Service 152 Templates 156 Challenges of Using Flask 159 Building a Keras TensorFlow-Based Model 160 TF ind deployment 165 Conclusion 173 Index 174 Learn how to use TensorFlow 2.0 to build machine learning and deep learning models with complete examples. The book begins with introducing TensorFlow 2.0 framework and the major changes from its last release. Next, it focuses on building Supervised Machine Learning models using TensorFlow 2.0. It also demonstrates how to build models using customer estimators. Further, it explains how to use TensorFlow 2.0 API to build machine learning and deep learning models for image classification using the standard as well as custom parameters. You'll review sequence predictions, saving, serving, deploying, and standardized datasets, and then deploy these models to production. All the code presented in the book will be available in the form of executable scripts at Github which allows you to try out the examples and extend them in interesting ways. You will: Review the new features of TensorFlow 2.0 Use TensorFlow 2.0 to build machine learning and deep learning models Perform sequence predictions using TensorFlow 2.0 Deploy TensorFlow 2.0 models with practical examples Front Matter ....Pages i-xvi Introduction to TensorFlow 2.0 (Pramod Singh, Avinash Manure)....Pages 1-24 Supervised Learning with TensorFlow (Pramod Singh, Avinash Manure)....Pages 25-52 Neural Networks and Deep Learning with TensorFlow (Pramod Singh, Avinash Manure)....Pages 53-74 Images with TensorFlow (Pramod Singh, Avinash Manure)....Pages 75-106 Natural Language Processing with TensorFlow 2.0 (Pramod Singh, Avinash Manure)....Pages 107-129 TensorFlow Models in Production (Pramod Singh, Avinash Manure)....Pages 131-159 Back Matter ....Pages 161-164