Practical Deep Learning Book
1.0.0
| هذا هو مستودع الأكواد الرسمي لمطبوعة أورايلي، التعلم العميق العملي للسحابة والجوال والحافة بواسطة أنيرود كول، سيدها جانجو وماهر قاسم. ** ظهرت كمورد تعليمي على موقع Keras الرسمي ** |  |
|---|
[أون لاين على سفاري] | [شراء على أمازون] | [أون لاين على كتب جوجل] | [ موقع الكتاب ] | [عرض تقديمي على موقع Slideshare]
سواء كنت مهندس برمجيات تطمح إلى دخول عالم التعلم العميق، أو عالم بيانات مخضرم، أو هاوٍ لديه حلم بسيط في إنشاء تطبيق الذكاء الاصطناعي التالي واسع الانتشار، ربما تساءلت من أين أبدأ؟ يعلمك هذا الدليل خطوة بخطوة كيفية إنشاء تطبيقات عملية للتعلم العميق للأجهزة السحابية والهواتف المحمولة والمتصفحات والأجهزة الطرفية باستخدام نهج عملي.
بالاعتماد على سنوات من الخبرة الصناعية في تحويل أبحاث التعلم العميق إلى تطبيقات حائزة على جوائز، يرشدك Anirudh Koul وSiddha Ganju وMeher Kasam خلال عملية تحويل الفكرة إلى شيء يمكن للأشخاص في العالم الحقيقي استخدامه.
الفصل الأول - استكشاف مشهد الذكاء الاصطناعي | إقرأ أونلاين | أرقام
نقوم بجولة في هذا المشهد المتطور، منذ الخمسينيات وحتى اليوم، ونحلل المكونات التي تشكل وصفة مثالية للتعلم العميق، ونتعرف على مصطلحات الذكاء الاصطناعي ومجموعات البيانات الشائعة، ونلقي نظرة خاطفة على عالم الذكاء الاصطناعي المسؤول.
الفصل الثاني - ماذا يوجد في الصورة: تصنيف الصور باستخدام Keras | إقرأ أونلاين | أرقام
نحن نتعمق في عالم تصنيف الصور في خمسة أسطر فقط من كود Keras. نتعرف بعد ذلك على ما تهتم به الشبكات العصبية أثناء إجراء التنبؤات من خلال تراكب الخرائط الحرارية على مقاطع الفيديو. المكافأة: نسمع الرحلة الشخصية المحفزة لفرانسوا شوليت ، مبتكر Keras، والتي توضح التأثير الذي يمكن أن يحدثه فرد واحد.
الفصل الثالث - القطط مقابل الكلاب: نقل التعلم في 30 سطرًا باستخدام Keras | إقرأ أونلاين | أرقام
نحن نستخدم نقل التعلم لإعادة استخدام شبكة تم تدريبها مسبقًا في مهمة تصنيف مخصصة جديدة للحصول على دقة قريبة من أحدث التقنيات في غضون دقائق. نقوم بعد ذلك بتقطيع النتائج إلى مكعبات لفهم مدى جودة تصنيفها. على طول الطريق، قمنا ببناء مسار مشترك للتعلم الآلي، والذي تم إعادة استخدامه في جميع أنحاء الكتاب. المكافأة الإضافية: نسمع من جيريمي هوارد ، المؤسس المشارك لـ fast.ai، حول كيفية استخدام مئات الآلاف من الطلاب للتعلم المنقول لبدء رحلة الذكاء الاصطناعي الخاصة بهم.
الفصل الرابع - بناء محرك بحث عكسي للصور: فهم التضمينات | إقرأ أونلاين | أرقام
مثل البحث العكسي عن الصور من Google، نستكشف كيف يمكن للمرء استخدام التضمينات - وهو تمثيل سياقي لصورة للعثور على صور مماثلة في أقل من عشرة أسطر. وبعد ذلك تبدأ المتعة عندما نستكشف استراتيجيات وخوارزميات مختلفة لتسريع ذلك على نطاق واسع، من آلاف إلى عدة ملايين من الصور، وجعلها قابلة للبحث في أجزاء من الثانية.
الفصل الخامس - من المبتدئ إلى المتنبئ الرئيسي: تعظيم دقة الشبكة العصبية التلافيفية | إقرأ أونلاين | أرقام
نحن نستكشف إستراتيجيات لزيادة الدقة التي يمكن أن يحققها مصنفنا، بمساعدة مجموعة من الأدوات بما في ذلك TensorBoard، وWhat-If Tool، وtf-explain، وTensorFlow Datasets، وAutoKeras، وAutoAugment. على طول الطريق، نقوم بإجراء تجارب لتطوير الحدس حول المعلمات التي قد تناسب أو لا تناسب مهمة الذكاء الاصطناعي الخاصة بك.
الفصل السادس - تعظيم سرعة وأداء TensorFlow: قائمة مرجعية مفيدة | إقرأ أونلاين | أرقام
نحن نأخذ سرعة التدريب والاستدلال في محرك الأقراص الفائق من خلال الاطلاع على قائمة مرجعية مكونة من 30 خدعة لتقليل أكبر عدد ممكن من أوجه القصور وزيادة قيمة أجهزتك الحالية.
الفصل السابع - الأدوات العملية والنصائح والحيل | إقرأ أونلاين | أرقام
نقوم بتنويع مهاراتنا العملية في مجموعة متنوعة من المواضيع والأدوات، بدءًا من التثبيت وجمع البيانات وإدارة التجارب والتصورات وتتبع أحدث ما توصلت إليه الأبحاث وصولاً إلى استكشاف المزيد من السبل لبناء الأسس النظرية من التعلم العميق.
الفصل الثامن - واجهات برمجة التطبيقات السحابية لرؤية الكمبيوتر: التشغيل في 15 دقيقة | إقرأ أونلاين | أرقام
اعمل بذكاء، وليس بجد. نحن نستخدم قوة منصات الذكاء الاصطناعي السحابية من Google وMicrosoft وAmazon وIBM وClarifai في أقل من 15 دقيقة. بالنسبة للمهام التي لم يتم حلها باستخدام واجهات برمجة التطبيقات الحالية، نستخدم بعد ذلك خدمات التصنيف المخصصة لتدريب المصنفات دون الحاجة إلى تشفير. ومن ثم نضعهم في مواجهة بعضهم البعض في معيار مفتوح، قد تتفاجأ بمن فاز.
الفصل التاسع - خدمة الاستدلال القابلة للتطوير على السحابة باستخدام خدمة TensorFlow وKubeFlow | إقرأ أونلاين | أرقام
نحن نأخذ نموذجنا المدرب المخصص إلى السحابة/المحلية لتقديم الخدمة بشكل قابل للتوسع من عشرات إلى ملايين الطلبات. نحن نستكشف Flask وGoogle Cloud ML Engine وTensorFlow Serving وKubeFlow، ونعرض الجهد والسيناريو وتحليل التكلفة والعائد.
الفصل العاشر - الذكاء الاصطناعي في المتصفح باستخدام TensorFlow.js وml5.js | إقرأ أونلاين | أرقام
يتمتع كل فرد يستخدم جهاز كمبيوتر أو هاتفًا ذكيًا بشكل موحد بإمكانية الوصول إلى برنامج واحد، وهو المتصفح الخاص به. يمكنك الوصول إلى جميع هؤلاء المستخدمين من خلال مكتبات التعلم العميق المستندة إلى المتصفح، بما في ذلك TensorFlow.js وml5.js. يرشدنا المؤلف الضيف زيد اليافعي عبر التقنيات والمهام مثل تقدير وضعية الجسم، وشبكات الخصومة التوليدية (GANs)، والترجمة من صورة إلى صورة باستخدام Pix2Pix والمزيد، والتي لا تعمل على خادم ولكن في المتصفح نفسه. المكافأة: استمع إلى فريقي TensorFlow.js وml5.js حول كيفية احتضان المشاريع.
الفصل 11 - تصنيف الكائنات في الوقت الفعلي على نظام iOS باستخدام Core ML | إقرأ أونلاين | أرقام
نحن نستكشف مشهد التعلم العميق على الهاتف المحمول، مع التركيز بشدة على نظام Apple البيئي باستخدام Core ML. نحن نقيس النماذج على أجهزة iPhone المختلفة، وندرس إستراتيجيات تقليل حجم التطبيق وتأثيره على الطاقة، ونشر النماذج الديناميكية، والتدريب على الجهاز، وكيفية إنشاء التطبيقات الاحترافية.
الفصل 12 - ليس Hotdog على iOS مع Core ML وإنشاء ML | إقرأ أونلاين | أرقام
ويُعتبر تطبيق Not Hotdog من وادي السيليكون (من HBO) بمثابة "Hello World" للذكاء الاصطناعي على الأجهزة المحمولة، لذا فإننا نشيد به من خلال إنشاء نسخة في الوقت الفعلي ليس بطريقة واحدة، وليس بطريقتين، بل بثلاث طرق مختلفة.
الفصل 13 - Shazam for Food: تطوير تطبيقات Android باستخدام TensorFlow Lite وML Kit | إقرأ أونلاين | أرقام
نجلب الذكاء الاصطناعي إلى Android بمساعدة TensorFlow Lite. سننظر بعد ذلك في التطوير عبر الأنظمة الأساسية باستخدام ML Kit (المبني على TensorFlow Lite) وFritz لاستكشاف دورة حياة التطوير الشاملة لبناء تطبيق ذكاء اصطناعي ذاتي التحسين. على طول الطريق، ننظر إلى إصدار النموذج، واختبار A/B، وقياس النجاح، والتحديثات الديناميكية، وتحسين النموذج، ومواضيع أخرى. المكافأة: سمعنا عن تجربة Pete Warden (القائد الفني للهواتف المحمولة وTensorFlow المدمجة) الغنية في جلب الذكاء الاصطناعي إلى الأجهزة المتطورة.
الفصل 14 - إنشاء تطبيق Purrfect Cat Locator باستخدام واجهة برمجة تطبيقات TensorFlow Object Detection | إقرأ أونلاين | أرقام
نستكشف أربع طرق مختلفة لتحديد موضع الكائنات داخل الصور. نحن نلقي نظرة على تطور اكتشاف الأشياء على مر السنين، ونحلل المفاضلات بين السرعة والدقة. وهذا يبني الأساس لدراسات الحالة مثل عد الحشود، واكتشاف الوجه، والسيارات ذاتية القيادة.
الفصل 15 - أن تصبح صانعًا: استكشاف الذكاء الاصطناعي المضمن عند الحافة | إقرأ أونلاين | أرقام
يقدم المؤلف الضيف Sam Sterckval التعلم العميق للأجهزة منخفضة الطاقة حيث يعرض مجموعة من الأجهزة المتطورة التي تدعم الذكاء الاصطناعي مع قوة معالجة وتكلفة متفاوتة بما في ذلك Raspberry Pi وNVIDIA Jetson Nano وGoogle Coral وIntel Movidius وPYNQ-Z2 FPGA، مما يفتح المجال أمام أبواب للروبوتات ومشاريع صانع. المكافأة: استمع إلى فريق NVIDIA Jetson Nano حول كيفية قيام الأشخاص ببناء روبوتات إبداعية بسرعة من كتاب الوصفات مفتوح المصدر الخاص بهم.
الفصل السادس عشر - محاكاة سيارة ذاتية القيادة باستخدام التعلم العميق الشامل مع كيراس | إقرأ أونلاين | أرقام
باستخدام بيئة المحاكاة الواقعية لـ Microsoft AirSim، يرشدنا المؤلفان الضيفان Aditya Sharma و Mitchell Spryn إلى تدريب سيارة افتراضية من خلال قيادتها أولاً داخل البيئة ثم تعليم نموذج الذكاء الاصطناعي لتكرار سلوكها. على طول الطريق، يغطي هذا الفصل عددًا من المفاهيم القابلة للتطبيق في صناعة السيارات ذاتية القيادة.
الفصل السابع عشر - بناء سيارة ذاتية القيادة في أقل من ساعة: التعلم المعزز باستخدام AWS DeepRacer | إقرأ أونلاين | أرقام
بالانتقال من العالم الافتراضي إلى العالم المادي، يعرض المؤلف الضيف سونيل ماليا كيف يمكن تجميع AWS DeepRacer، وهي سيارة صغيرة، وتدريبها والتسابق بها في أقل من ساعة. وبمساعدة التعلم المعزز، تتعلم السيارة القيادة من تلقاء نفسها، مما يؤدي إلى معاقبة الأخطاء وتحقيق أقصى قدر من النجاح. نتعلم كيفية تطبيق هذه المعرفة على السباقات، بدءًا من أولمبياد القيادة بالذكاء الاصطناعي وحتى RoboRace (باستخدام السيارات المستقلة كاملة الحجم). المكافأة: استمع إلى Anima Anandkumar (NVIDIA) و Chris Anderson (مؤسس DIY Robocars) حول الاتجاه الذي تتجه إليه صناعة السيارات ذاتية القيادة.
أولا، مرحبا بكم! يسعدنا أنك قررت استخدام الكتاب والكود لمعرفة المزيد عن التعلم العميق! نتمنى لك الأفضل في رحلتك للأمام. فيما يلي بعض الأشياء التي يجب وضعها في الاعتبار أثناء استخدام المستودع.
code .يرجى اتباع هذه التعليمات لتحميل GitHub repo على Google Colab. ضع في اعتبارك أنك ستحتاج إلى الوصول إلى Google Drive الخاص بك لأننا سنستخدم البيانات من نظام محلي.
سوف نستخدم virtualenv باسم practicaldl في جميع أنحاء الكتاب. requirements.txt الملف virtualenv موجودة في الدليل الجذر. توجد المساعدة والتعليمات الخاصة بتثبيت virtualenv في قسم التثبيت في مستند الأسئلة الشائعة.
يرجى تقديم مشكلة وفقًا للمساهمة وسنقوم بالتحقيق فيها.
@AnirudhKoul هو خبير مشهور في الذكاء الاصطناعي، ومتحدث UN/TEDx وعالم سابق في Microsoft AI & Research، حيث أسس Seeing AI، والتي غالبًا ما تعتبر التكنولوجيا الأكثر استخدامًا بين مجتمع المكفوفين بعد iPhone. يشغل Anirudh منصب رئيس قسم الذكاء الاصطناعي والأبحاث في Aira، والذي اعترفت به مجلة Time كواحد من أفضل الاختراعات لعام 2018. ومع الميزات التي تم شحنها إلى مليار مستخدم، فإنه يتمتع بأكثر من عقد من الخبرة في الأبحاث التطبيقية الموجهة نحو الإنتاج على مجموعات بيانات مقياس PetaByte. لقد قام بتطوير التقنيات باستخدام تقنيات الذكاء الاصطناعي للواقع المعزز والروبوتات والكلام والإنتاجية بالإضافة إلى إمكانية الوصول. وقد حصل عمله في مجال الذكاء الاصطناعي من أجل الخير، والذي وصفه معهد مهندسي الكهرباء والإلكترونيات بأنه "يغير الحياة"، على جوائز من CES، وFCC، وMIT، وCannes Lions، والمجلس الأمريكي للمكفوفين، والتي تم عرضها في فعاليات نظمتها الأمم المتحدة والمنتدى الاقتصادي العالمي والبيت الأبيض. ومجلس اللوردات وNetflix وNational Geographic، وقد أشاد به قادة العالم بما في ذلك جاستن ترودو وتيريزا ماي.
@SiddhaGanju ، باحث في مجال الذكاء الاصطناعي والذي أدرجته مجلة Forbes في قائمة 30 شخصًا تحت 30 عامًا، وهو مهندس معماري ذاتي القيادة في Nvidia. بصفتها مستشارة للذكاء الاصطناعي في NASA FDL، ساعدت في بناء خط أنابيب آلي للكشف عن النيازك لمشروع CAMS في NASA، والذي انتهى باكتشاف مذنب. عملت سابقًا في Deep Vision، على تطوير نماذج التعلم العميق للأجهزة الطرفية ذات الموارد المحدودة. تتراوح أعمالها من الإجابة على الأسئلة المرئية إلى شبكات الخصومة التوليدية إلى جمع الأفكار من بيانات CERN بحجم بيتابايت وتم نشرها في مؤتمرات رفيعة المستوى بما في ذلك CVPR وNeurIPS. لقد عملت كعضو لجنة تحكيم مميز في العديد من المسابقات التقنية الدولية بما في ذلك CES. وباعتبارها مناصرة للتنوع والشمول في التكنولوجيا، فإنها تتحدث في المدارس والكليات لتحفيز وتنمية جيل جديد من التقنيات من جميع الخلفيات.
@MeherKasam هو مطور برامج متمرس ولديه تطبيقات يستخدمها عشرات الملايين من المستخدمين يوميًا. حاليًا هو مطور iOS في Square، وعمل سابقًا في Microsoft وAmazon، وقد قام بشحن ميزات لمجموعة من التطبيقات من Square's Point of Sale إلى تطبيق Bing iPhone. في السابق، كان يعمل في Microsoft، حيث كان مسؤول تطوير الأجهزة المحمولة لتطبيق Seeing AI، الذي حصل على اعتراف واسع النطاق وجوائز من Mobile World Conference، وCES، وFCC، والمجلس الأمريكي للمكفوفين، على سبيل المثال لا الحصر. نظرًا لكونه هاكرًا يتمتع بموهبة إنشاء النماذج الأولية السريعة، فقد فاز بالعديد من فعاليات الهاكاثون وقام بتحويلها إلى ميزات يتم شحنها في المنتجات المستخدمة على نطاق واسع. ويعمل أيضًا كحكم في المسابقات الدولية بما في ذلك جوائز الهاتف المحمول العالمية وجوائز إديسون.
من فضلك اذكرنا إذا كنت تستخدم الكود الخاص بنا.
@book{Koul2019PracticalDLBook,
title={Practical Deep Learning for Cloud, Mobile and Edge: Real-World AI and Computer Vision Projects Using Python, Keras and TensorFlow},
author={Koul, A. and Ganju, S. and Kasam, M.},
isbn={9781492034865},
url={https://www.oreilly.com/library/view/practical-deep-learning/9781492034858/},
year={2019},
publisher={O'Reilly Media, Incorporated}
}
