اشتیاق برای یادگیری ماشین

یادگیری ماشین (Machine Learning) و یادگیری ژرف (Deep Learning) با ضرب آهنگی سریع در حال رشد هستند. طبق گزارشی از دانشگاه MIT، در آینده نزدیک، ۸۵ درصد عرصه های گوناگون زندگی بشری به نوعی مبتنی بر هوش مصنوعی خواهند بود. اگر شما کسی هستید که می خواهید از پیشگامان ورود به عرصه AI باشید و یا پیش زمینه مقدماتی ای در مورد آن دارید و می خواهید به یک متخصص تبدیل شوید، کتاب «اشتیاق برای یادگیری ماشین» نوشته پروفسور اندرو ان جی (Andrew NG) از اساتید مطرح علوم داده (Computer Science)‌ در دانشگاه استنفورد، کلید راه شما خواهد بود.

آوازه اندرو ان جی در عرصه یادگیری ماشین جهانی شده است. او هم زمان با جایگاه آکادمیک خود، از بنیانگذاران پایگاه آموزشی Coursera، مدیر پژوهشی در Baidu و مدیر سابق پروژه Google Brain بوده است.

کتاب اشتیاق برای یادگیری ماشین، آخرین نوشته اندرو ان جی، به دنبال آموزش دانشجویان در زمینه سازماندهی صحیح پروژه های یادگیری ماشین است. این کتاب از جزئیات تکنیکی و ریاضیاتی یادگیری ماشین دوری کرده و تلاش می کند اصول و راهکارهایی را به مدیران و توسعه دهندگان عرصه یادگیری ماشین ارائه کند تا آن ها را در تصمیم گیری های شان در زمینه طراحی سامانه های هوش مصنوعی، جمع آوری داده، و عیب یابی این سامانه ها یاری رساند.

این کتاب تنها به بیان پیش زمینه های ضروری بسنده کرده و در عوض بیشتر به بررسی نمونه های موفق توسعه سامانه های مبتنی بر یادگیری ماشین و نمونه های واقعی از دام های ناخواسته ای که ممکن است در مسیر توسعه این سامانه ها محققان را درگیر کند، می پردازد. کتاب اشتیاق برای یادگیری ماشین، بر آموزش نحوه عملیاتی کردن الگوریتم های یادگیری ماشین به شیوه ای موثرتر و با صرف زمان کمتر می پردازد.

مهم ترین مفاهیمی که اندرو ان جی تلاش می کند در این کتاب به آن ها بپردازد، نحوه اولویت بندی جهت های بالقوه برای به سرانجام رساندن یه پروژه AI، تحلیل خطا (Error Analysis) در سامانه های یادگیری ماشین، و توسعه یادگیری ماشین در شرایط پیچیده نظیر عدم هماهنگی مجموعه داده های آموزش و اعتبارسنجی است.

این کتاب همچنین موضوعاتی نظیر شیوه برپاسازی پروژه های یادگیری ماشین برای رسیدن به و یا عبور از سطح توانایی انسان ها (Human-Level Performance)، شناخت نحوه و زمان اعمال روش های یادگیری ماشین فراگیر (End-to-End)، یادگیری انتقالی (Transfer Learning) و یادگیری چند-وظیفه ای (Multi-task Learning) را پوشش می دهد.

چنان چه گفته شد، در این کتاب اثر آن چنانی از ریاضیات یادگیری ماشین دیده نمی شود. وقتی این کتاب را مطالعه کنید، متوجه خواهید شد که برای فردی که به پژوهش های بنیادین یادگیری ماشین و ریاضیات محض پشت پرده آن علاقه مند است نوشته نشده است. این کتاب می تواند برای افراد ولو با آشنایی مقدماتی با یادگیری ماشین مناسب باشد و در حقیقت، چراغ راهی برای برداشتن گام های اجرایی به دور تصمیمات هیجانی در عرصه هوش مصنوعی است.