التعلم العميق المؤتمت باستخدام Neural Network Intelligence - تأليف Ivan Gridin (غلاف ورقي)

ملخص الكتاب قم بتحسين وتطوير وتصميم نماذج PyTorch و TensorFlow لمشكلة محددة باستخدام مجموعة أدوات Microsoft Neural Network Intelligence (NNI). يتضمن هذا الكتاب أمثلة عملية توضح مناهج التعلم العميق المؤتمتة، ويوفر تقنيات لتسهيل عملية تطوير نماذج التعلم العميق الخاصة بك. تغطي الفصول الأولى من هذا الكتاب أساسيات استخدام مجموعة أدوات NNI وطرق حل مهام تحسين المعلمات الفائقة. ستتمكن من فهم مشكلة تعظيم دالة الصندوق الأسود باستخدام NNI، وستتعلم كيفية إعداد نموذج TensorFlow أو PyTorch لضبط المعلمات الفائقة، وإطلاق التجارب، وتفسير النتائج. يتعمق الكتاب في أدوات ضبط التحسين وخوارزميات البحث التي تعتمد عليها، مثل: البحث التطوري، والبحث بالتلدين، ومنهج التحسين البايزي. كما يتناول الكتاب البحث عن البنية العصبية، حيث ستتعلم كيفية تطوير نماذج التعلم العميق من الصفر. بالإضافة إلى ذلك، يستعرض الكتاب أساليب البحث متعدد التجارب ونهج البحث بلقطة واحدة لتصميم الشبكات العصبية الآلي. يعلمك هذا الكتاب كيفية بناء فضاء البحث وإطلاق عملية البحث عن البنية الهيكلية باستخدام أحدث استراتيجيات الاستكشاف المتطورة: Efficient Neural Architecture Search (ENAS) و Differential Architectural Search (DARTS). ستتعلم كيفية أتمتة بناء بنية الشبكة العصبية لمشكلة ومجموعة بيانات محددة. يركز الكتاب على طرق ضغط النماذج وهندسة الميزات التي تُعد أساسية في التعلم العميق المؤتمت. كما يتضمن تقنيات الأداء التي تسمح بإنشاء منصات تدريب توزيعية واسعة النطاق باستخدام NNI. بعد قراءة هذا الكتاب، ستتمكن من إتقان استخدام مجموعة الأدوات الكاملة لطرق التعلم العميق المؤتمت. كما ستتيح لك التقنيات والأمثلة العملية الواردة في هذا الكتاب الارتقاء بروتينيات الشبكات العصبية الخاصة بك إلى مستوى أعلى.

ما ستتعلمه: تعرّف على المفاهيم الأساسية لمضبطات التحسين، وفضاء البحث، والتجارب. تطبيق خوارزميات تحسين المعلمات الفائقة المختلفة لتطوير شبكات عصبية فعالة. بناء نماذج تعلم عميق جديدة من الصفر. تنفيذ البحث الآلي عن البنية العصبية لإنشاء نماذج تعلم عميق متطورة. ضغط النموذج للتخلص من طبقات التعلم العميق غير الضرورية.

لمن هذا الكتاب علماء البيانات من المستوى المتوسط إلى المتقدم ومهندسو تعلم الآلة المتخصصون في التعلم العميق وتطوير الشبكات العصبية العملي.

عن الغلاف الخلفي قم بتحسين وتطوير وتصميم نماذج PyTorch و TensorFlow لمشكلة محددة باستخدام مجموعة أدوات Microsoft Neural Network Intelligence (NNI). يتضمن هذا الكتاب أمثلة عملية توضح أساليب التعلم العميق المؤتمت، كما يوفر تقنيات لتسهيل عملية تطوير نماذج التعلم العميق الخاصة بك. تغطي الفصول الأولى من هذا الكتاب أساسيات استخدام مجموعة أدوات NNI وطرق حل مهام تحسين المعلمات الفائقة. ستتعلم كيفية فهم مشكلة تعظيم الدوال ذات الصندوق الأسود باستخدام NNI، وستعرف كيفية تجهيز نموذج TensorFlow أو PyTorch لضبط المعلمات الفائقة، وإطلاق التجربة، وتفسير النتائج. كما يتعمق الكتاب في أدوات الضبط والتحسين والخوارزميات التي تعتمد عليها، وهي: البحث التطوري، والبحث بالتلدين، ومنهج التحسين البايزي. يغطي هذا الكتاب موضوع البحث عن البنية العصبية (Neural Architecture Search)، حيث ستتعلم كيفية تطوير نماذج التعلم العميق من الصفر. كما يستعرض الكتاب أساليب البحث متعدد التجارب ونهج البحث بلقطة واحدة (one-shot) لتصميم الشبكات العصبية آلياً. سيعلمك الكتاب كيفية بناء فضاء البحث وإطلاق عملية البحث عن البنية باستخدام أحدث استراتيجيات الاستكشاف المتطورة: البحث الفعال عن البنية العصبية (ENAS) والبحث المعماري التفاضلي (DARTS). ستتعلم أيضاً كيفية أتمتة بناء بنية الشبكة العصبية لمشكلة محددة ومجموعة بيانات معينة. يركز هذا الكتاب على طرق ضغط النماذج وهندسة الميزات التي تُعد أساسية في التعلم العميق المؤتمت. كما يتضمن تقنيات للأداء تتيح إنشاء منصات تدريب توزيعية واسعة النطاق باستخدام NNI. بعد قراءة هذا الكتاب، ستتمكن من استخدام مجموعة الأدوات الكاملة لطرق التعلم العميق المؤتمت. كما ستسمح لك التقنيات والأمثلة العملية الواردة في هذا الكتاب بالارتقاء بروتينيات الشبكات العصبية الخاصة بك إلى مستوى أعلى. ما ستتعلمه

• التعرف على المفاهيم الأساسية لأدوات ضبط التحسين، وفضاء البحث، والتجارب
• تطبيق خوارزميات مختلفة لتحسين المعلمات الفائقة لتطوير شبكات عصبية فعالة
• بناء نماذج تعلم عميق جديدة من الصفر
• تنفيذ البحث الآلي عن البنية العصبية لإنشاء نماذج تعلم عميق متطورة
• ضغط النموذج للتخلص من طبقات التعلم العميق غير الضرورية

نبذة عن المؤلف

إيفان جريدين هو خبير في تعلم الآلة من موسكو، عمل على الأنظمة الموزعة ذات الأحمال العالية وطبّق مناهج مختلفة في تعلم الآلة عملياً. ومن أبرز مجالات أبحاثه تصميم وتحليل نماذج السلاسل الزمنية التنبؤية. يتمتع إيفان بمهارات رياضية أساسية في نظرية الاحتمالات، ونظرية العمليات العشوائية، وتحليل السلاسل الزمنية، وتعلم الآلة، والتعلم العميق، والتحسين. كما سبق له نشر كتب حول الخوارزميات الجينية وتحليل السلاسل الزمنية.