کتاب یادگیری عمیق با MATLAB Phil Kim نشر دانشگاهی کیان

این کتاب از شش فصل تشکیل شده است که می‌توان آنها را به سه موضوع تقسیم نمود. موضوع اول یادگیری ماشین است که در فصل ۱ مطرح شده است. یادگیری عمیق در واقع بر مبنای یادگیری ماشین شکل گرفته است. اگر می‌خواهید اساس یادگیری عمیق را بفهمید، نیاز است تا فلسفه‌ای که در پس یادگیری ماشین قرار دارد را تا حدودی بدانید. فصل اول با رابطه میان یادگیری ماشین و یادگیری عمیق آغاز می‌شود و با راهبردهای حل مسایل و محدودیت‌های ذاتی یادگیری ماشین ادامه می‌‍‌یابد. در این فصل به جزییات فنی پرداخته نشده است و به جای آن مفاهیم اساسی که در شبکه عصبی و یادگیری عمیق به کار می‌روند، مطرح شده‌اند. موضوع دوم شبکه‌های عصبی مصنوعی است که در فصل‌های ۲ تا ۴ بر آنها تمرکز می‌کنیم. از آنجایی که یادگیری عمیق نوعی از یادگیری ماشین است که از شبکه عصبی استفاده می‌کند، شبکه عصبی و یادگیری عمیق قابل تفکیک نیستند. فصل ۲ با مبانی شبکه‌های عصبی، شامل مبانی عملکرد، معماری و قوانین یادگیری آغاز می‌شود. همچنین دلیل سیر تکاملی از شبکه عصبی تک‌لایه به شبکه عصبی چندلایه را نیز ارایه می‌کند. فصل ۳ الگوریتم پس‌انتشار را معرفی می‌کند که قانون یادگیری مهمی در شبکه‌های عصبی است و همچنین در یادگیری عمیق نیز به کار می‌رود. این فصل توضیح می‌دهد که ارتباط میان توابع هزینه و قوانین یادگیری چیست و چه توابع هزینه‌ای به طور گسترده در یادگیری عمیق به کار می‌روند. فصل ۴ چگونگی استفاده از شبکه‌های عصبی در مسایل رده‌بندی را نشان می‌دهد. به دلیل اینکه رده‌بندی یکی از مهم‌ترین کاربردهای یادگیری ماشین است، فصل مجزایی را به آن اختصاص داده‌ایم. برای مثال تشخیص تصاویر که یکی از اصلی‌ترین کاربردهای یادگیری عمیق است، یک مساله رده‌بندی محسوب می‌شود. موضوع سوم کتاب، یادگیری عمیق است که موضوع اصلی کتاب نیز است. یادگیری عمیق در فصل‌های ۵ و ۶ توضیح داده شده است. فصل ۵ عواملی را که موجب کارایی بسیار بالای یادگیری عمیق شده‌اند، معرفی می‌کند. برای درک بهتر، این فصل با تاریخچه موانع و راه‌حل‌هایی که یادگیری عمیق را به وضعیت کنونی رسانده‌اند، آغاز می‌شود. فصل ۶ شبکه‌های عصبی کانولوشنال را ارایه می‌کند که یکی از مهم‌ترین روش‌های یادگیری عمیق است. شبکه عصبی کانولوشنال در تشخیص تصاویر کاربرد بسیار زیادی دارد. این فصل با معرفی مفاهیم اساسی و معماری شبکه عصبی کانولوشنال و مقایسه آن با الگوریتم‌های قدیمی‌تر تشخیص تصاویر آغاز می‌شود و با توضیح نقش‌ها و عملکرد لایه کانولوشن و لایه ادغام که اجزای اساسی تشکیل‌دهنده شبکه عصبی کانولوشنال هستند، ادامه می‌یابد. این فصل با مثالی از تشخیص تصویر ارقام به کمک شبکه عصبی کانولوشنال و بررسی تغییرات تصویر در طول عبور از لایه‌ها پایان می‌یابد.