📘 یک مرجع معتبر، قابل فهم و کاملاً به‌روز برای یادگیری Deep Learning که تعادل هوشمندانه‌ای بین تئوری و پیاده‌سازی عملی ایجاد کرده است.

🤖 Deep Learning یکی از سریع‌ترین حوزه‌های در حال رشد در دنیای فناوریه و تقریباً روی تمام بخش‌های دنیای دیجیتال امروز تأثیر گذاشته. کتاب Understanding Deep Learning یک نگاه جامع، معتبر و به‌روز به این حوزه ارائه میده و علاوه بر پوشش مفاهیم اصلی، جدیدترین پیشرفت‌ها و ایده‌های پیشرفته این حوزه رو هم بررسی میکنه.

📚 بسیاری از کتاب‌های Deep Learning آن‌قدر درگیر جزئیات فنی و فرمول‌های پیچیده میشن که مفاهیم اصلی زیر حجم اطلاعات پنهان میشن. اما سایمون پرینس رویکرد متفاوتی انتخاب کرده؛ او با دقت فقط مهم‌ترین مفاهیم را انتخاب کرده تا بیشترین حجم از اطلاعات ارزشمند را در ساده‌ترین و قابل‌فهم‌ترین شکل ممکن ارائه بده.

🧠 از مفاهیم پایه Machine Learning گرفته تا مدل‌های پیشرفته، هر موضوع ابتدا با زبانی ساده و شهودی توضیح داده میشه، سپس با فرمول‌های ریاضی دقیق تشریح میشه و در نهایت با تصاویر و نمودارهای آموزشی تکمیل میشه.

🎯 نتیجه کار یک کتاب آموزشی شفاف، مستقل و کامل شده که برای هر کسی که آشنایی پایه‌ای با ریاضیات کاربردی داشته باشه قابل استفاده است.

📌 ویژگی‌های مهم این کتاب:

🚀 پوشش کاملاً به‌روز از Deep Learning که موضوعات مدرن و پیشرفته‌ای مانند Transformerها و Diffusion Modelها را شامل میشه؛ موضوعاتی که در بسیاری از منابع آموزشی قدیمی وجود ندارن.

🪜 فصل‌های کوتاه و متمرکز که به‌صورت تدریجی سطح دشواری را افزایش میدن و یادگیری مفاهیم پیچیده را ساده‌تر میکنن.

⚙️ رویکردی کاربردی که بین تئوری و عمل تعادل برقرار میکنه و به خواننده کمک میکنه جزئیات کافی برای پیاده‌سازی نسخه‌های اولیه مدل‌ها را به دست بیاره.

🎯 ارائه‌ای ساده‌سازی‌شده که ایده‌های کلیدی را از اطلاعات جانبی و جزئیات غیرضروری جدا میکنه.

📊 پیش‌نیازهای ریاضی حداقلی، تصویرسازی‌های گسترده و تمرین‌های متنوع باعث میشن حتی مباحث پیچیده هم برای طیف وسیعی از مخاطبان قابل فهم باشن.

💻 تمرین‌های برنامه‌نویسی نیز از طریق Python Notebookهای همراه کتاب ارائه شده‌اند تا مفاهیم را به‌صورت عملی پیاده‌سازی کنی.

📑 فهرست مطالب

1. مقدمه
2. یادگیری نظارت‌شده
3. شبکه‌های عصبی کم‌عمق
4. شبکه‌های عصبی عمیق
5. توابع خطا
6. برازش مدل‌ها
7. گرادیان‌ها و مقداردهی اولیه
8. اندازه‌گیری عملکرد
9. منظم‌سازی (Regularization)
10. شبکه‌های کانولوشنی
11. شبکه‌های باقیمانده (Residual Networks)
12. ترنسفورمرها
13. شبکه‌های عصبی گرافی
14. یادگیری بدون نظارت
15. شبکه‌های مولد تخاصمی (GAN)
16. جریان‌های نرمال‌ساز (Normalizing Flows)
17. خودرمزگذارهای واریاسیونی
18. مدل‌های دیفیوژن
19. یادگیری تقویتی
20. چرا Deep Learning کار میکند؟
21. Deep Learning و اخلاق

✍️ درباره نویسنده

👨‍💻 سایمون جی. دی. پرینس استاد افتخاری علوم کامپیوتر در University of Bath و نویسنده کتاب Computer Vision: Models, Learning and Inference است.

🔬 او یک پژوهشگر و دانشمند حوزه Artificial Intelligence و Deep Learning محسوب میشه و در طول دوران حرفه‌ای خودش رهبری تیم‌های تحقیقاتی متعددی را در محیط‌های دانشگاهی و صنعتی بر عهده داشته است.

🏢 او در شرکت‌هایی مانند Anthropics Technologies Ltd و Borealis AI و همچنین مجموعه‌های تحقیقاتی دیگر، پروژه‌ها و تیم‌های فعال در حوزه هوش مصنوعی و یادگیری عمیق را هدایت کرده است.

An authoritative, accessible, and up-to-date treatment of deep learning that strikes a pragmatic middle ground between theory and practice.

Deep learning is a fast-moving field with sweeping relevance in today’s increasingly digital world. Understanding Deep Learning provides an authoritative, accessible, and up-to-date treatment of the subject, covering all the key topics along with recent advances and cutting-edge concepts. Many deep learning texts are crowded with technical details that obscure fundamentals, but Simon Prince ruthlessly curates only the most important ideas to provide a high density of critical information in an intuitive and digestible form. From machine learning basics to advanced models, each concept is presented in lay terms and then detailed precisely in mathematical form and illustrated visually. The result is a lucid, self-contained textbook suitable for anyone with a basic background in applied mathematics.

• Up-to-date treatment of deep learning covers cutting-edge topics not found in existing texts, such as transformers and diffusion models
• Short, focused chapters progress in complexity, easing students into difficult concepts
• Pragmatic approach straddling theory and practice gives readers the level of detail required to implement naive versions of models
• Streamlined presentation separates critical ideas from background context and extraneous detail
• Minimal mathematical prerequisites, extensive illustrations, and practice problems make challenging material widely accessible
• Programming exercises offered in accompanying Python Notebooks

Table of Contents

1. Introduction
2. Supervised Learning
3. Shallow Neural Networks
4. Deep Neural Networks
5. Loss Functions
6. Fitting Models
7. Gradients And Initialization
8. Measuring Performance
9. Regularization
10. Convolutional Networks
11. Residual Networks
12. Transformers
13. Graph Neural Networks
14. Unsupervised Learning
15. Generative Adversarial Networks
16. Normalizing Flows
17. Variational Autoencoders
18. Diffusion Models
19. Reinforcement Learning
20. Why Does Deep Learning Work?
21. Deep Learning And Ethics

About the Author

Simon J. D. Prince is Honorary Professor of Computer Science at the University of Bath and author of Computer Vision: Models, Learning and Inference. A research scientist specializing in artificial intelligence and deep learning, he has led teams of research scientists in academia and industry at Anthropics Technologies Ltd, Borealis AI, and elsewhere.