MATLAB Deep Learning : With Machine Learning, Neural Networks and Artificial Intelligence

کتاب «MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence» نوشتهٔ فیل کیم (Phil Kim)، که در سال ۲۰۱۷ توسط نشر تخصصی «آپرس» (Apress) منتشر شده، یک راهنمای عملی و گام‌به‌گام برای ورود به دنیای یادگیری عمیق با استفاده از نرم‌افزار متلب است. این اثر با زبانی روان و ساختاری منسجم، خواننده را از مفاهیم پایه‌ای یادگیری ماشین تا پیاده‌سازی شبکه‌های عصبی پیچیده و شبکه‌های کانولوشنال هدایت می‌کند و به‌عنوان مرجعی ارزشمند برای متخصصان و دانشجویانی که به‌دنبال کاربرد عملی هوش مصنوعی در محیط متلب هستند، شناخته می‌شود.

دربارهٔ کتاب «MATLAB Deep Learning»

این کتاب با رویکردی کاملاً عملی و مبتنی بر مثال، به آموزش مفاهیم کلیدی یادگیری عمیق در حوزهٔ هوش مصنوعی می‌پردازد. نویسنده، فیل کیم، با تمرکز بر زبان برنامه‌نویسی متلب به‌عنوان ابزار اصلی، مخاطب را از مبانی اولیه مانند رگرسیون و طبقه‌بندی در فصل اول، به‌سوی شبکه‌های عصبی با یک لایه و سپس شبکه‌های چندلایه در فصل‌های دوم و سوم راهنمایی می‌کند. از نقاط قوت این کتاب، پرداختن به چالش‌های عملی مانند مسئلهٔ «بیش‌برازش» (Overfitting) و روش‌های مقابله با آن است که در فرآیند آموزش مدل‌های یادگیری ماشین بسیار حیاتی هستند. در ادامه، کتاب با ورود به مباحث پیشرفته‌تر، به آموزش شبکه‌های عصبی عمیق (Deep Learning) و بهبود عملکرد آن‌ها در فصل پنجم و نهایتاً معماری شبکه‌های کانولوشنال (CNN) در فصل ششم می‌پردازد. یکی از ویژگی‌های برجستهٔ این اثر، ارائهٔ مثال‌های عینی و قابل‌اجرا در متلب است؛ به‌گونه‌ای که خواننده می‌تواند هم‌زمان با مطالعه، کدهای مربوطه را اجرا کرده و نتایج را به‌صورت عملی مشاهده کند. این رویکرد «یادگیری بر اساس عمل» (Learning by Doing)، کتاب را به منبعی ایده‌آل برای حل مسائل واقعی مانند تحلیل داده‌های حجیم (Big Data) و ساخت «بات‌های هوشمند» تبدیل کرده است.

دربارهٔ نویسنده

نویسندهٔ این کتاب، فیل کیم (Phil Kim)، یک برنامه‌نویس و کاربرِ حرفه‌ایِ محیط متلب با سابقه‌ای درخشان در زمینهٔ پژوهش و توسعه است. او پیش‌تر به‌عنوان پژوهشگر ارشد در مؤسسهٔ تحقیقات هوافضای کره (Korea Aerospace Research Institute) مشغول به کار بوده و مسئولیت توسعهٔ الگوریتم‌های پرواز خودکار و نرم‌افزارهای سوارشده برای هواپیماهای بدون سرنشین را بر عهده داشته است. کیم همچنین سابقهٔ فعالیت به‌عنوان افسر ارشد پژوهش در مؤسسهٔ ملی تحقیقات توانبخشی کره (National Rehabilitation Research Institute of Korea) را در کارنامهٔ خود دارد و در زمینهٔ الگوریتم‌های هوش مصنوعی و یادگیری ماشین برای مجموعه‌داده‌های بزرگ تخصص دارد. این تجربیات عملی او در پروژه‌های صنعتی و پژوهشی، به کتاب عمق و کاربردیِ ویژهای بخشیده است.

چرا باید «MATLAB Deep Learning» را بخوانید؟

• یادگیریِ پایه‌تا‌پیشرفته در یک مسیر منسجم: کتاب شما را بدون نیاز به پیش‌زمینهٔ پیچیده، از الفبای یادگیری ماشین به‌سوی شبکه‌های عصبی عمیق و کانولوشنال هدایت می‌کند و یک نمای کامل از این حوزه ارائه می‌دهد.
• کاربرد عملی با مثال‌های کدنویسیِ متلب: برخلاف بسیاری از کتب نظری، این کتاب با ارائهٔ کدهای عملی و اجرایی در محیط متلب، شما را برای پیاده‌سازیِ واقعیِ مدل‌های هوش مصنوعی آماده می‌سازد.
• آشنایی با معماری‌های نوین مانند شبکه‌های کانولوشنال: با مطالعهٔ این کتاب، با ساختار و عملکرد لایه‌های پیچشی و تجمیع (Pooling) آشنا شده و مثال کلاسیک شناسایی ارقام دست‌نویس (MNIST) را پیاده‌سازی خواهید کرد.
• تمرکز بر حل مسائل واقعیِ دنیای داده: این کتاب به‌ویژه برای تحلیل داده‌های حجیم و ساخت ربات‌های هوشمند طراحی شده و شما را برای مواجهه با چالش‌های روزِ حوزهٔ داده‌کاوی آماده می‌کند.
• نوشته‌شده توسط یک متخصصِ باسابقه: نویسنده با سال‌ها تجربهٔ عملی در پروژه‌های صنعتی هوافضا و پژوهش در مؤسسات ملی، نکاتِ ارزشمندی را فراتر از تئوری‌های صِرف دانشگاهی به خواننده منتقل می‌کند.

این کتاب برای چه کسانی مناسب است؟

این کتاب منبعی ایده‌آل برای دانشجویان، مهندسان، پژوهشگران و علاقه‌مندانی است که می‌خواهند یادگیری عمیق را با استفاده از نرم‌افزار متلب (MATLAB) فرا بگیرند. اگرچه برای بهره‌مندی کامل از کتاب، آشناییِ اولیه با محیط متلب و برنامه‌نویسی آن مفید است، اما ساختار گام‌به‌گام کتاب به‌گونه‌ای طراحی شده که حتی افراد با دانش پایه‌ای نیز بتوانند از آن استفاده کنند. این کتاب به‌ویژه برای فعالان حوزه‌های داده‌کاوی، تحلیل داده‌های حجیم، بینایی ماشین، و علوم اعصاب محاسباتی که به‌دنبال ابزاری قدرتمند برای پیاده‌سازی الگوریتم‌های پیشرفته هستند، بسیار ارزشمند خواهد بود.

سوالات متداول

آیا برای شروع خواندن این کتاب، به دانش پیشرفته‌ای در ریاضیات یا برنامه‌نویسی نیاز است؟

خیر، نویسنده با ارائهٔ مثال‌های کدنویسیِ ساده و توضیحات گام‌به‌گام، مفاهیم ریاضی و الگوریتمی را به‌گونه‌ای بیان کرده که برای یک برنامه‌نویسِ آشنا با متلب قابل فهم باشد. مفاهیم پایه مانند رگرسیون، طبقه‌بندی، و الگوریتم پس‌انتشار خطا با جزییات کامل و همراه با مثال توضیح داده شده‌اند.

کتاب دقیقاً به کدام موضوعات عملیِ روز دنیا می‌پردازد؟

این کتاب صرفاً به نظریه نمی‌پردازد و کاربردهای آن در حل مسائل واقعیِ مربوط به «داده‌های حجیم» و «ربات‌های هوشمند» نشان داده می‌شود. همچنین، با ارائهٔ مثال‌هایی از شبکه‌های کانولوشنال، شما را با پایه‌های فنیِ سیستم‌های تشخیص چهره و اشیاء نیز آشنا می‌سازد.

آیا کدهای ارائه‌شده در کتاب، قابل اجرا در نسخه‌های جدیدِ متلب هستند؟

بله، کدهای متلب ارائه‌شده در این کتاب بر اساس توابع و جعبهابزارهای استاندارد و اصلی متلب نوشته شده‌اند و با نسخه‌های جدیدتر این نرم‌افزار نیز سازگار هستند. همچنین مجموعهٔ کاملی از فایل‌های کد به‌عنوان مواد تکمیلی برای دانلود در دسترس قرار گرفته است که به یادگیری بهتر کمک می‌کند.

Get started with MATLAB for deep learning and AI with this in-depth primer. In this book, you start with machine learning fundamentals, then move on to neural networks, deep learning, and then convolutional neural networks. In a blend of fundamentals and applications, __MATLAB Deep Learning__ employs MATLAB as the underlying programming language and tool for the examples and case studies in this book. With this book, you'll be able to tackle some of today's real world big data, smart bots, and other complex data problems. You’ll see how deep learning is a complex and more intelligent aspect of machine learning for modern smart data analysis and usage.**What You'll Learn** * Use MATLAB for deep learning * Discover neural networks and multi-layer neural networks * Work with convolution and pooling layers * Build a MNIST example with these layers **Who This Book Is For**Those who want to learn deep learning using MATLAB. Some MATLAB experience may be useful. Contents at a Glance 4 Contents 5 About the Author 8 About the Technical Reviewer 9 Acknowledgments 10 Introduction 11 Chapter 1: Machine Learning 14 What Is Machine Learning? 15 Challenges with Machine Learning 17 Overfitting 19 Confronting Overfitting 23 Types of Machine Learning 25 Classification and Regression 27 Summary 30 Chapter 2: Neural Network 32 Nodes of a Neural Network 33 Layers of Neural Network 35 Supervised Learning of a Neural Network 40 Training of a Single-Layer Neural Network: Delta Rule 42 Generalized Delta Rule 45 SGD, Batch, and Mini Batch 47 Stochastic Gradient Descent 47 Batch 48 Mini Batch 49 Example: Delta Rule 50 Implementation of the SGD Method 51 Implementation of the Batch Method 54 Comparison of the SGD and the Batch 56 Limitations of Single-Layer Neural Networks 58 Summary 63 Chapter 3: Training of Multi-Layer Neural Network 65 Back-Propagation Algorithm 66 Example: Back-Propagation 72 XOR Problem 74 Momentum 77 Cost Function and Learning Rule 80 Example: Cross Entropy Function 85 Cross Entropy Function 86 Comparison of Cost Functions 88 Summary 91 Chapter 4: Neural Network and Classification 93 Binary Classification 93 Multiclass Classification 98 Example: Multiclass Classification 105 Summary 114 Chapter 5: Deep Learning 115 Improvement of the Deep Neural Network 117 Vanishing Gradient 117 Overfitting 119 Computational Load 121 Example: ReLU and Dropout 121 ReLU Function 122 Dropout 126 Summary 132 Chapter 6: Convolutional Neural Network 133 Architecture of ConvNet 133 Convolution Layer 136 Pooling Layer 142 Example: MNIST 143 Summary 159 Index 160 Get started with MATLAB for deep learning and AI with this in-depth primer. In this book, you start with machine learning fundamentals, then move on to neural networks, deep learning, and then convolutional neural networks. In a blend of fundamentals and applications, MATLAB Deep Learning employs MATLAB as the underlying programming language and tool for the examples and case studies in this book. With this book, you'll be able to tackle some of today's real world big data, smart bots, and other complex data problems. You’ll see how deep learning is a complex and more intelligent aspect of machine learning for modern smart data analysis and usage. What You'll Learn Use MATLAB for deep learning Discover neural networks and multi-layer neural networks Work with convolution and pooling layers Build a MNIST example with these layers Who This Book Is For Those who want to learn deep learning using MATLAB. Some MATLAB experience may be useful. Get started with MATLAB for deep learning and AI with this in-depth primer. In this book, you start with machine learning fundamentals, then move on to neural networks, deep learning, and then convolutional neural networks. In a blend of fundamentals and applications, MATLAB Deep Learning employs MATLAB as the underlying programming language and tool for the examples and case studies in this book. With this book, you'll be able to tackle some of today's real world big data, smart bots, and other complex data problems. You'll see how deep learning is a complex and more intelligent aspect of machine learning for modern smart data analysis and usage. You will: Use MATLAB for deep learning Discover neural networks and multi-layer neural networks Work with convolution and pooling layers Build a MNIST example with these layers Get started with MATLAB for deep learning and AI with this in-depth primer. In this book, you start with machine learning fundamentals, then move on to neural networks, deep learning, and then convolutional neural networks. In a blend of fundamentals and applications, MATLAB Deep Learning employs MATLAB as the underlying programming language and tool for the examples and case studies in this book. With this book, you'll be able to tackle some of today's real world big data, smart bots, and other complex data problems. You'll see how deep learning is a complex and more intelligent aspect of machine learning for modern smart data analysis and usage. -- Provided by publisher Front Matter....Pages i-xvii Machine Learning....Pages 1-18 Neural Network....Pages 19-51 Training of Multi-Layer Neural Network....Pages 53-80 Neural Network and Classification....Pages 81-102 Deep Learning....Pages 103-120 Convolutional Neural Network....Pages 121-147 Back Matter....Pages 149-151