🎲7 steps of Machine Learning
🌐Source : Google Cloud : AI Adventures
#️⃣#کافه_یوتوب
✈️@IDS_AI_ML
✈️@IDSchools

📱کانال یوتیوب Google Cloud : AI Adventures دنیای یادگیری ماشین را به روشی سرگرم‌کننده و آموزشی برای شما باز می‌کند. در این کانال، با ماهیت، علم و ابزارهای یادگیری ماشین آشنا می‌شوید. فرقی نمی‌کند تازه‌کار باشید یا در این زمینه تجربه داشته باشید، این ویدیوها به شما کمک می‌کنند تا در سفر یادگیری علم داده خود، گام‌های بلندی بردارید.

🟩این کانال موضوعات مختلفی را پوشش می‌دهد، از جمله:

🔴اصول اولیه یادگیری ماشین
🔴هفت مرحله‌ی کلیدی در یادگیری ماشین کاربردی
🔴ابزارهایی مانند TensorFlow
🔴نحوه‌ی استفاده از Google Cloud Platform برای یادگیری ماشین
🔴به کارگیری هوش مصنوعی در دنیای واقعی، مثل مد و فشن
🔴و بسیاری موارد دیگر...
⬅️برای شروع سفر خود در دنیای هوش مصنوعی، می‌توانید لیست پخش ماجراجویی‌های هوش مصنوعی را در کانال Google Cloud Tech مشاهده کنید.

🤩 آیا برای شروع ماجراجویی خود آماده‌اید؟

#کافه_یوتوب

✉️@IDS_AI_ML
✉️@IDSchools

🟩چالش بنیادی در یادگیری ماشین، کشمکش بین Optimization و Generalization است. Optimization به فرآیند تنظیم مدل برای دستیابی به بهترین عملکرد ممکن روی داده‌های آموزشی اشاره دارد، در حالی که Generalization به چگونگی عملکرد مدل آموزش‌دیده روی داده‌هایی که هرگز ندیده است، اشاره می‌کند. بدیهی است که هدف نهایی دستیابی به Generalization خوب است، اما شما مستقیماً کنترلی روی آن ندارید؛ تنها کاری که می‌توانید انجام دهید، تطبیق مدل با داده‌های آموزشی است. اگر این کار را بیش از حد خوب انجام دهید، پدیده Overfitting رخ می‌دهد و Generalization لطمه می‌خورد.

❓حالا چه عواملی باعث Overfitting می‌شوند؟ چگونه می‌توانیم به Generalization خوب دست پیدا کنیم؟

⬅️در ابتدای آموزش شبکه، Optimization و Generalization با هم همبستگی دارند: هرچه loss روی داده‌های آموزشی پایین‌تر باشد، loss روی داده‌های تست نیز پایین‌تر است. در این حالت گفته می‌شود مدل شما دچار Underfitting است: هنوز جای پیشرفت وجود دارد؛ شبکه هنوز تمام الگوهای مرتبط موجود در داده‌های آموزشی را یاد نگرفته است. اما پس از تعداد معینی تکرار فرایند آموزش روی داده‌های آموزشی، تعمیم‌پذیری دیگر بهبود نمی‌یابد، معیارهای اعتبارسنجی ثابت می‌مانند و سپس شروع به کاهش می‌کنند، دراین حالت مدل در حال شروع به Overfitting است. یعنی شروع به یادگیری الگوهایی می‌کند که خاص داده‌های آموزشی هستند اما در مواجهه با داده‌های جدید ویژگی‌های گمراه‌کننده یا نامرتبط را یاد می‌گیرند.


📖 برگی از کتاب "Deep Learning with Python" اثر François Cholle
#گنجینه_کتاب

✈️@IDS_AI_ML
✈️@IDSchools

👀 استفاده از Reinforcement Learning در ربات های شرکت Boston Dynamics
✈️@IDS_AI_ML
✈️@IDSchools

🟡 یادگیری تقویتی (Reinforcement Learning) نوعی از یادگیری ماشین است که در آن یک عامل با تعامل با محیط به هدفی مشخص می‌رسد. برخلاف یادگیری نظارت‌شده، RL بر یادگیری از نتایج اقدامات از طریق آزمون و خطا و توازن بین اکتشاف (آزمایش چیزهای جدید) و بهره‌برداری (استفاده از اطلاعات موجود) تمرکز دارد.

⬅️مفاهیم کلیدی:
🟡عامل: یادگیرنده یا تصمیم‌گیرنده.
🟡محیط: سیستم خارجی که عامل با آن تعامل دارد.
🟡اقدامات: انتخاب‌های عامل.
🟡پاداش‌ها: بازخورد محیط بر اساس اقدامات.
🟡سیاست: استراتژی عامل برای تعیین اقدامات.

◀️مثال عملی:
یکی از مثال‌ها، بازی تیک‌تاک‌تو است که در آن عامل با بازی کردن علیه خودش یاد می‌گیرد. هر بار که عامل یک بازی را می‌برد، تقویت می‌شود و به تدریج استراتژی‌های بهتری را یاد می‌گیرد تا احتمال بردش را افزایش دهد.

❓چرا RL؟
تصمیم‌گیری پویا: قابلیت تطبیق در محیط‌های متغیر.
کاربردهای وسیع: از رباتیک تا بازی‌ها و مالی.

✉️@IDS_AI_ML
✉️@IDSchools

😮 معرفی کتاب Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

🔣این کتاب به گونه‌ای ساختار یافته است که شما را از مبانی تا مفاهیم پیشرفته یادگیری عمیق همراهی کند، شامل:

✅ مبحث Introduction to Machine Learning and Deep Learning: اصول پایه و جایگاه یادگیری عمیق در یادگیری ماشین را درک کنید.
✅ مبحث Deep Feedforward Networks: معماری و آموزش شبکه‌های عصبی پیشخور، بلوک‌های سازنده یادگیری عمیق را بیاموزید.
✅ مبحث Regularization Techniques: روش‌هایی برای بهبود عملکرد مدل‌های یادگیری عمیق کشف کنید.
✅ مبحث Optimization Algorithms: الگوریتم‌هایی که آموزش شبکه‌های عمیق را هدایت می‌کنند، از گرادیان نزولی تا تکنیک‌های پیشرفته‌تر را بررسی کنید.
✅ مبحث Convolutional Networks: شبکه‌هایی که دید کامپیوتری و پردازش تصویر را متحول کرده‌اند، کشف کنید.
✅ مبحث Sequence Modeling: چگونگی مدیریت داده‌های ترتیبی توسط شبکه‌های بازگشتی را درک کنید، که برای وظایفی مانند مدل‌سازی زبان و پیش‌بینی سری‌های زمانی حیاتی هستند.
✅ مبحث Practical Methodology: بهترین روش‌ها برای پیاده‌سازی و تنظیم سیستم‌های یادگیری عمیق در کاربردهای دنیای واقعی را به دست آورید.
✅ مبحث Generative Models: درباره مدل‌هایی که قادر به تولید داده‌های جدید هستند بیاموزید، که منجر به نوآوری‌هایی در هوش مصنوعی خلاق و یادگیری بدون نظارت می‌شود.
⬅️ درباره نویسندگان

🟡آقای Ian Goodfellow: به خاطر کار پیشگامانه‌اش در شبکه‌های مولد رقابتی (GANs) شناخته می‌شود و یکی از شخصیت‌های برجسته در جامعه هوش مصنوعی است.

🟡آقای Yoshua Bengio: برنده جایزه تورینگ، یوشوا نقش بزرگی در توسعه یادگیری عمیق ایفا کرده است.

🟡آقای Aaron Courville : به عنوان یک محقق برجسته، آرون بر یادگیری بدون نظارت و مدل‌های مولد عمیق تمرکز دارد.

✈️@IDS_AI_ML
✈️@IDSchools

📎Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

✈️@IDS_AI_ML
✈️@IDSchools

🧠هوش مصنوعی (AI) به ابزاری قدرتمند در زمینه‌های مختلفی از مراقبت‌های بهداشتی و مالی گرفته تا خودروهای خودران و سرگرمی تبدیل شده است. با این حال، با پیچیده‌تر شدن مدل‌های هوش مصنوعی، به ویژه مدل‌های یادگیری عمیق، یک سوال اساسی مطرح می‌شود: آیا می‌توانیم بفهمیم که این مدل‌ها چگونه به تصمیمات خود می‌رسند؟ اینجاست که مفهوم تفسیرپذیری در هوش مصنوعی مطرح می‌شود.

🔽در اینجا نگاهی به برخی از مقالات اخیر که تفسیرپذیری در هوش مصنوعی را بررسی می‌کنند، می‌اندازیم:

مقاله Explainable and interpretable artificial intelligence in medicine: a systematic bibliometric review (2024)
این مطالعه بر حوزه هوش مصنوعی پزشکی تمرکز دارد و بر نیاز به قابلیت تفسیر در تصمیمات مهم مانند تشخیص و درمان تاکید می‌کند. این مقاله همچنین به توضیح تکنیک‌های مختلف قابلیت تفسیر که در این حوزه استفاده می‌شود، می‌پردازد .

مقاله (2023) Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence
این مقاله یک نمای کلی عالی از زمینه هوش مصنوعی قابل توضیح ارائه می‌دهد و اهداف، چالش‌ها و روش‌های فعلی برای تفسیرپذیری راشرح می‌دهد. این مقاله بر اهمیت طراحی کاربرمحور در ایجاد توضیحاتی که برای انسان قابل درک است، تأکید می‌کند.

مقاله Explainable AI: A Review of Machine Learning Interpretability Methods (2023)
این مقاله به روش‌های مختلف تفسیرپذیری که در یادگیری ماشین استفاده می‌شود، می‌پردازد و آن‌ها را بر اساس رویکردشان طبقه‌بندی می‌کند.

مقاله Interpretability of Machine Learning: Recent Advances and Future Prospects (2023)
این مقاله پیشرفت‌های اخیر در تفسیرپذیری را بررسی می‌کند و در مورد روش‌های قابل درک کردن مدل‌های پیچیده یادگیری عمیق بحث می‌کند . این مقاله بر لزوم دستیابی به عملکرد بالا و در عین حال حفظ قابلیت تفسیر در مدل‌های هوش مصنوعی تاکید می‌کند.

✈️@IDS_AI_ML
✈️@IDSchools

👤 آقای Andrew Ng یکی از چهره‌های برجسته در زمینه هوش مصنوعی، به ویژه در زمینه یادگیری ماشین و یادگیری عمیق است. در اینجا خلاصه‌ای از زمینه کاری و دوره‌های آموزشی ایشون ارائه شده است:

🔵 پیشینه :
یک دانشمند کامپیوتر و متخصص یادگیری عمیق است. او یکی از بنیانگذاران شرکت هایی چون Landing AI ، DeepLearning AI ، Coursera و ... و پیش از این به عنوان دانشمند ارشد هوش مصنوعی در Baidu فعالیت می‌کرد. او همچنین مدیر سابق آزمایشگاه هوش مصنوعی استنفورد و استاد علوم کامپیوتر در دانشگاه استنفورد بوده است.

🔣دوره‌های آموزشی:

ایشون به خاطر ایجاد برخی از محبوب‌ترین و تاثیرگذارترین دوره‌های یادگیری ماشین که به صورت آنلاین در دسترس هستند، شناخته شده است. این دوره‌ها از طریق پلتفرم او، DeepLearning.AI، و همچنین از طریق پلتفرم‌هایی مانند Coursera ارائه می‌شوند. در اینجا به چند مورد از مشهورترین دوره‌های او اشاره می‌کنیم:

◀️ دوره Machine Learning Specialization

:
این برنامه بنیادی که با همکاری DeepLearningAI و Stanford Online ایجاد شده است، مقدمه‌ای جامع بر مفاهیم یادگیری ماشین ارائه می‌دهد. این دوره موضوعاتی مانند یادگیری با نظارت، رگرسیون، طبقه‌بندی و یادگیری بدون نظارت را پوشش می‌دهد.

◀️ دوره Deep Learning Specialization

:
این دوره عمیق‌تر به دنیای یادگیری عمیق، زیرمجموعه‌ای از یادگیری ماشین که از شبکه‌های عصبی مصنوعی استفاده می‌کند، می‌پردازد. این دوره دانشجویان را قادر می‌سازد تا مدل‌های یادگیری عمیق را برای کاربردهای مختلف بسازند و به کار گیرند.

💡اینها تنها چند مورد از دوره‌های یادگیری ماشین ارائه شده توسط ایشون هستند. شما می‌توانید لیست کامل دوره‌های او را در وب‌سایت او پیدا کنید. علاوه بر تخصص‌های فوق، ایشون با سایر مؤسسات برای ارائه دوره‌هایی در پلتفرم‌هایی مانند Coursera همکاری کرده است. این دوره‌ها طیف وسیعی از موضوعات مرتبط با یادگیری ماشین، هوش مصنوعی و علم داده‌ها را پوشش می‌دهند.

✉️@IDS_AI_ML
✉️@IDSchools

🔣 مقاله Playing Atari with Deep Reinforcement Learning

📌مهمترین نکات:

✅این مقاله یک رویکرد یادگیری تقویتی عمیق را ارائه می دهد که یک شبکه عصبی کانولوشنی را آموزش می دهد تا سیاست های کنترل را مستقیماً از پیکسل های خام برای اجرای موفق بازی های آتاری یاد بگیرد. این یکی از اولین کاربردهای یادگیری عمیق برای یادگیری تقویتی از ورودی های بصری با ابعاد بالا است.

✅کارهای قبلی یادگیری تقویتی به جای یادگیری بازنمایی مستقیم از پیکسل ها، به ویژگی های ساخته شده با دست تکیه می کردند. نویسندگان می‌خواستند از تکنیک‌های یادگیری عمیق اخیر در یادگیری تقویتی برای یادگیری بازنمایی‌های معنادار استفاده کنند.


✅این مدل در 6 مورد از 7 بازی آتاری آزمایش شده به عملکردی در سطح پیشرفته دست یافته است و از روش‌های قبلی که از ویژگی‌های بصری طراحی‌شده دستی استفاده می‌کردند، فراتر رفته است. حتی در 3 بازی از یک متخصص انسانی نیز عملکرد بهتری دارد.

✅مهمتر اینکه، از معماری و هایپرپارامترهای یکسان در تمام بازی‌ها استفاده می‌شود، که نشان می‌دهد این رویکرد قدرتمند است و می‌تواند بدون مهندسی خاص بازی، وظایف متنوعی را بیاموزد.

✅این مقاله برای اولین بار نشان می دهد که یادگیری تقویتی عمیق با یادگیری مستقیم از ورودی با ابعاد بالا مانند فریم های پیکسل خام، قادر به دستیابی به کنترل در سطح انسان در حوزه های بصری چالش برانگیز است. این امر یادگیری تقویتی عمیق را به عنوان رویکردی کارآمد برای مشکلات یادگیری تقویتی پیچیده تثبیت کرد.

⬅️ لینک مقاله
⬅️ کدمقاله پیاده‌سازی شده با پایتورچ

#مقاله_با_کد
#گیتهاب
✈️@IDS_AI_ML
✈️@IDSchools