کتاب یادگیری عمیق: اصول، مفاهیم و رویکردها
تالیف و گردآوری: میلاد وزان
تا قبل از پیدایش یادگیری عمیق، روش‌های یادگیری ماشین سنتی، بیش‌از حد به بازنمایی‌هایی (انتخاب ویژگی‌ها) که از داده‌ها بدست می‌آورند، وابسته بودند. این روش‌ها، نیاز به یک متخصص در دامنه موضوع داشت تا استخراج ویژگی‌ها را به‌صورت دستی انجام دهد. حال آن‌که، این استخراج ویژگی‌ها به صورت دستی فرآیندی چالش‌انگیز و زمان‌بر است. پیدایش یادگیری عمیق توانست به‌سرعت جایگزین این روش‌های سنتی شود. چرا که می‌توانست استخراج ویژگی‌ها را به‌صورت خودکار متناسب با هر مساله بدست آورد. در چندین سال اخیر، یادگیری عمیق به محرک اصلی راه‌حل‌های نوآورانه برای مسائل هوش مصنوعی تبدیل گردیده که این امر با افزایش مقدار داده‌های موجود، افزایش منابع محاسباتی و تکنیک‌های بهبود‌یافته در آموزش شبکه‌های عمیق امکان‌پذیر شده است. یادگیری عمیق امروزه فراهم¬ساز تغییرات گسترده¬ در صنعت فناوری شده است، از همین¬رو درک و نحوه کار یادگیری عمیق برای افراد متخصص نرم¬افزاری در دنیای امروز، مفید، ضروری و لازم خواهد بود. کتاب حاضر با بهره‌گیری از جدیدترین مراجع علمی و تجربیات مولف، برای طیف گسترده‌ای از پژوهشگران، دانشجویان، صاحبان صنایع و علاقمندان به یادگیری عمیق، تالیف و گردآوری گردیده تا بتوانند دانش کافی از اصول و مفاهیم اساسی در این زمینه را بدست آورند. همچنین، از آنجایی که این کتاب مطالب مورد نیاز برای درس یادگیری عمیق در مقطع تحصیلات تکمیلی را پوشش می‌دهد، می‌تواند مرجع مناسبی برای این درس و همچنین درس اختیاری دانشجویان سال آخر کارشناسی در رشته مهندسی کامپیوتر باشد. از همین‌رو تمام تلاش براین بود تا مطالب کتاب را به شیوه‌ای ساده، روان و قابل فهم، به‌همراه مثال‌هایی برای درک بهتر ارائه کنیم تا برای این طیف گسترده از خوانندگان قابل درک باشد. تالیف این کتاب بر درک اصول و مفاهیم یادگیری عمیق، با چشم‌اندازی بر رویکردهای مختلف یادگیری تاکید دارد. اما، این بدان معنا نیست که بتوان در یک جلد کتاب به تشریح همه جوانب و اکتشافات یادگیری پرداخت؛ ما نیز چنین قصدی را نداریم. در واقع هدف ما از تالیف و گردآوری مطالب این کتاب، بدست آوردن دانش کافی از یادگیری عمیق و رویکردهای مختلف آن با تاکید بر مباحث مهم و نوین و ارائه دیدگاه جامعی از یادگیری عمیق می‌باشد. هرچند که مطالب این کتاب قابل فهم بوده، اما این مطالب بر¬مبنای اینکه خواننده دانش کافی از یادگیری ماشین را دارد، تالیف شده است. قطعا داشتن اطلاعات زمینه-ای از یادگیری ماشین فهم مطالب این کتاب را دو‌چندان خواهد کرد. با این همه، در طول بیان مطالب، تمام تلاش بر این بود تا این پیش‌نیاز‌ها از یادگیری ماشین حداقل شود. کتاب حاضر از 6 فصل تشکیل شده است که در زیر به‌طور خلاصه به محتوای این فصل‌ها اشاره‌ای خواهیم داشت:
این فصل با تعریفی از یادگیری شروع می‌شود. سپس، مفهوم یادگیری ماشین و انواع رویکردهای مختلف آن همانند: یادگیری بانظارت، بدون‌نظارت، تقویتی، نیمه‌نظارتی، خودنظارت‌شده، فعال، برخط، چندوظیفه‌ای و انتقالی به‌صورت خلاصه بیان و با یک‌دیگر مقایسه می‌شوند. در ادامه، به تعریفی از یادگیری عمیق پرداخته و نحوه کار، اهمیت، چالش‌های موجود در آن و تفاوت آن با یادگیری ماشین تشریح و در انتهای فصل کاربردهای آن در دنیای واقعی بیان می‌شود.
در فصل دوم کتاب شبکه‌های عصبی مصنوعی و ساختار آن را شرح داده و فرآیند یادگیری و مفاهیم مورد نیاز آن همانند: تابع فعال‌سازی، تابع زیان، رویکردهای وزن‌دهی اولیه، بهینه‌سازی و چالش‌های موجود در یادگیری شبکه‌های عمیق بیان می‌شوند. در ادامه فصل، با دو نوع از شبکه‌های عمیق محبوب، یعنی شبکه‌های بازگشتی و همگشتی آشنا خواهید شد.
در این فصل، ساختار خودرمزنگار و انواع آن را تشریح خواهیم کرد. سپس، به مقایسه بین مدل‌های مولد و تفکیک‌پذیر پرداخته و در انتها انواع مدل‌های مولد عمیق را مورد بررسی قرار خواهیم داد.
در این فصل، خواهیم دید که چرا برخی مسائل با رویکردهای یادگیری بانظارت و بدون‌نظارت قابل حل نیستند و نیاز به یادگیری تقویتی در این مسائل احساس می‌شود. در ادامه فصل، به انواع رویکردهای کلاسیک حل مسائل با یادگیری تقویتی پرداخته و در انتها هم علت بوجود آمدن زمینه تحقیقاتی جدید با عنوان یادگیری تقویتی عمیق را خواهیم دید و رویکردهای آن را بررسی خواهیم کرد.
فصل پنجم کتاب، یادگیری انتقالی، انگیزه استفاده، مزایا، استراتژی‌های استفاده از آن و رویکردهای مختلف آن را بررسی خواهیم کرد.
فصل آخر کتاب را به زمینه تحقیقاتی جدید با عنوان یادگیری عمیق هندسی اختصاص داده‌ایم. در این فصل با ساختار گراف، شبکه‌های عصبی گراف، یادگیری بازنمایی گراف و شبکه‌های همگشتی گراف آشنا خواهید شد. شایان ذکر است، به این فصل با دیدی کلی نگاه شده و به جزئیات آن پرداخته نشده است.