🔎 یادگیری عمیق به‌سادگی

با این ویرایش کاملاً به‌روزرسانی‌شده از Practical Deep Learning، می‌توانید بدون غرق شدن در نظریه‌های پیچیده، وارد دنیای یادگیری عمیق شوید. نویسنده و متخصص هوش مصنوعی رونالد تی. کنیوزل شما را قدم‌به‌قدم همراهی می‌کند. پس از مرور کوتاهی بر اصول پایه ریاضی و برنامه‌نویسی، مستقیماً وارد آزمایش‌های عملی می‌شوید و می‌آموزید که چگونه مدل‌های واقعی بسازید؛ از تحلیل تصاویر گرفته تا نوشتار خلاقانه، و در عین حال درک عمیقی از نحوه کار هر تکنیک به دست آورید.

این کتاب برای توسعه‌دهندگانی که می‌خواهند هوش مصنوعی را به ابزارهای کاری خود اضافه کنند و برای دانشجویانی که به‌دنبال مهارت‌های کاربردی در یادگیری ماشین هستند، ایده‌آل است.

📘 در این کتاب می‌آموزید:

• چگونگی کارکرد شبکه‌های عصبی و روش‌های آموزش آن‌ها
• نحوه استفاده از مدل‌های کلاسیک یادگیری ماشین
• توسعه یک مدل یادگیری عمیق از پایه
• ارزیابی مدل‌ها با معیارهای استاندارد صنعتی
• ساخت مدل‌های مولد (Generative AI) اختصاصی

هر فصل با تأکید بر تمرین عملی و آزمایش طراحی شده و در نهایت به یک مطالعه موردی ختم می‌شود: طبقه‌بندی داده‌های صوتی با بهره‌گیری از تمام دانسته‌هایتان. برای تمام مباحث، نمونه کدهای آماده و قابل‌اجرا در GitHub در دسترس شما قرار دارد.

با Practical Deep Learning (ویرایش دوم) مهارت و اعتمادبه‌نفس لازم برای ساخت سیستم‌های واقعی هوش مصنوعی که مشکلات واقعی را حل می‌کنند، به دست خواهید آورد.

✨ ویژگی‌های جدید این ویرایش:

• بینایی ماشین (Computer Vision)
• ریزتنظیم و یادگیری انتقالی (Fine-tuning & Transfer Learning)
• بومی‌سازی (Localization)
• یادگیری خودنظارتی (Self-Supervised Learning)
• هوش مصنوعی مولد برای خلق تصاویر نو
• مدل‌های زبانی بزرگ (LLMs) برای یادگیری در متن (In-context Learning)، جستجوی معنایی (Semantic Search) و بازیابی تقویت‌شده (RAG)

Deep learning made simple.

Dip into deep learning without drowning in theory with this fully updated edition of Practical Deep Learning from experienced author and AI expert Ronald T. Kneusel.

After a brief review of basic math and coding principles, you’ll dive into hands-on experiments and learn to build working models for everything from image analysis to creative writing, and gain a thorough understanding of how each technique works under the hood. Whether you’re a developer looking to add AI to your toolkit or a student seeking practical machine learning skills, this book will teach you:

• How neural networks work and how they’re trained
• How to use classical machine learning models
• How to develop a deep learning model from scratch
• How to evaluate models with industry-standard metrics
• How to create your own generative AI models

Each chapter emphasizes practical skill development and experimentation, building to a case study that incorporates everything you’ve learned to classify audio recordings. Examples of working code you can easily run and modify are provided, and all code is freely available on GitHub. With Practical Deep Learning, second edition, you’ll gain the skills and confidence you need to build real AI systems that solve real problems.

New to this edition: Material on computer vision, fine-tuning and transfer learning, localization, self-supervised learning, generative AI for novel image creation, and large language models for in-context learning, semantic search, and retrieval-augmented generation (RAG).

Table of Contents

Chapter 0: Environment and Mathematical Preliminaries

PART I: DATA IS EVERYTHING

Chapter 1: It’s All About the Data

Chapter 2: Building the Datasets

PART II: CLASSICAL MACHINE LEARNING

Chapter 3: Introduction to Machine Learning

Chapter 4: Experiments with Classical Models

PART III: NEURAL NETWORKS

Chapter 5: Introduction to Neural Networks

Chapter 6: Training a Neural Network

Chapter 7: Experiments with Neural Networks

Chapter 8: Evaluating Models

PART IV: CONVOLUTIONAL NEURAL NETWORKS

Chapter 9: Introduction to Convolutional Neural Networks

Chapter 10: Experiments with Keras and MNIST

Chapter 11: Experiments with CIFAR-10

Chapter 12: A Case Study: Classifying Audio Samples

PART V: ADVANCED NETWORKS AND GENERATIVE AI

Chapter 13: Advanced CNN Architectures

Chapter 14: Fine-Tuning and Transfer Learning

Chapter 15: From Classification to Localization

Chapter 16: Self-Supervised Learning

Chapter 17: Generative Adversarial Networks

Chapter 18: Large Language Models

About the Author

Ronald T. Kneusel earned a PhD in machine learning from the University of Colorado, Boulder, and has over 20 years of machine learning experience in industry. Kneusel is also the author of numerous books, including Math for Programming (2025), The Art of Randomness (2024), How AI Works (2023), Strange Code (2022), and Math for Deep Learning (2021), all from No Starch Press.