ทำความเข้าใจ Deep Learning

 (udlbook.github.io)
2 คะแนน โดย GN⁺ 2023-11-27 | 1 ความคิดเห็น | แชร์ทาง WhatsApp

สรุปเนื้อหาหนังสือ

  • หนังสือชื่อ "Understanding Deep Learning" เขียนโดย Simon J.D. Prince มีกำหนดจัดพิมพ์โดย MIT Press ในวันที่ 5 ธันวาคม 2023
  • หนังสือเล่มนี้ครอบคลุมหัวข้อต่าง ๆ มากมายเพื่อช่วยให้เข้าใจ Deep Learning และอธิบายไว้ในแบบที่วิศวกรซอฟต์แวร์ระดับเริ่มต้นก็สามารถเข้าใจได้
  • เนื้อหาสำคัญของหนังสือประกอบด้วย supervised learning, neural networks, loss functions, model training, performance measurement, regularization, convolutional networks, residual networks, transformers, graph neural networks, unsupervised learning, generative adversarial networks, normalizing flows, variational autoencoders, diffusion models, deep reinforcement learning, หลักการทำงานของ Deep Learning, และจริยธรรมกับ Deep Learning

สื่อสำหรับผู้สอน

  • เฉลยคำตอบสำหรับผู้สอนมีให้ผ่าน MIT Press เมื่อแสดงข้อมูลยืนยันคุณสมบัติ
  • สามารถขอสำเนาสำหรับใช้สอนได้ผ่าน MIT Press
  • มีสื่อภาพประกอบสำหรับแต่ละบทในรูปแบบ PDF, SVG และ PowerPoint

สื่อสำหรับนักศึกษา

  • มีคำตอบสำหรับคำถามที่คัดเลือกไว้และ Python notebooks เพื่อช่วยให้นักศึกษาเข้าใจ Deep Learning ได้ดียิ่งขึ้นผ่านการลงมือปฏิบัติ
  • โน้ตบุ๊กครอบคลุมหัวข้อต่าง ๆ เช่น พื้นฐานทางคณิตศาสตร์, supervised learning, shallow neural networks, deep neural networks, loss functions, model training, gradients and initialization, performance measurement, regularization, convolutional networks, residual networks, transformers, graph neural networks, generative adversarial networks, normalizing flows, variational autoencoders, diffusion models, deep reinforcement learning, หลักการทำงานของ Deep Learning, และจริยธรรมกับ Deep Learning

ความเห็นของ GN⁺

  • หนังสือเล่มนี้มอบความเข้าใจ Deep Learning อย่างครอบคลุม โดยรวมทั้งคำอธิบายเชิงทฤษฎีและกรณีการประยุกต์ใช้จริง จึงเป็นประโยชน์ต่อผู้เรียน
  • หนังสือเล่มนี้เปิดโอกาสให้วิศวกรซอฟต์แวร์ระดับเริ่มต้นได้เรียนรู้อย่างเป็นระบบตั้งแต่แนวคิดพื้นฐานของ Deep Learning ไปจนถึงหัวข้อขั้นสูง ช่วยต่อยอดทั้งความสนใจและความรู้ในสาขานี้
  • จุดสำคัญที่สุดคือมีทั้ง Python notebooks สำหรับการฝึกปฏิบัติและสื่อสำหรับผู้สอน ทำให้สามารถนำความรู้เชิงทฤษฎีไปทดลองใช้กับการแก้ปัญหาจริงได้

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2023-11-27
ความเห็นจาก Hacker News
    • โดยรวมแล้วคอมเมนต์แบ่งออกเป็น 2 มุมมอง: 1) ไม่จำเป็นต้องมีความรู้แบบนี้ก็สร้างระบบ AI ได้ 2) ต้องมีความรู้พื้นฐานนี้จึงจะเข้าใจได้ว่าแท้จริงแล้วเกิดอะไรขึ้น
    • ทั้งสองมุมมองล้วนถูกต้อง ตอนนี้สาขานี้กำลังแยกออกเป็น ML engineer และ ML scientist (หรือนักวิจัย)
    • การมีคนทั้งสองประเภทอยู่ในทีมเป็นเรื่องที่ดี นักวิทยาศาสตร์อาจทำงานช้า ส่วนวิศวกรจะเดินหน้าได้เร็วด้วยการลองใช้ API ต่าง ๆ และโมเดลโอเพนซอร์สหลายแบบ แต่เมื่อเจออุปสรรคหรือต้องปรับแต่งอัลกอริทึม วิศวกรจำนวนมากอาจลำบาก เพราะต้องใช้กรอบความคิดแบบ R&D ที่ไม่คุ้นเคยสำหรับวิศวกรจำนวนมาก
    • ตรงนี้เองที่ความสำคัญของนักวิทยาศาสตร์ AI โดดเด่นขึ้นมา
    • ถ้าเริ่มศึกษา AI ตั้งแต่ตอนนี้ ยังจะเข้าใกล้ความเป็นผู้เชี่ยวชาญได้ไหม?
    • กังวลกับการเริ่มต้นเส้นทางที่อาจต้องใช้ถึงระดับปริญญาโทหรือปริญญาเอก
    • สงสัยว่าการเรียนรู้สาขานี้ตอนนี้มีความหมายเพียงในเชิงประวัติศาสตร์แล้วหรือไม่ หรือยังเกี่ยวข้องกับการหางานในอนาคตอยู่
    • จินตนาการว่า OpenAI จะครอบครองทุกอย่างที่เกี่ยวกับ AI และก็สงสัยว่านี่เป็นวิธีคิดที่ถูกต้องหรือไม่
    • หนังสือเล่มนี้น่าประทับใจมาก ชอบบทเกี่ยวกับ 'ผลลัพธ์อันเกินคาดของดีปเลิร์นนิง' มีหนังสือเล่มอื่นที่ควรจับตาอีกไหม?
    • ทำงานในบริษัทเทคโนโลยีชื่อดังมาหลายสิบปีบนแพลตฟอร์มแมชชีนเลิร์นนิงหลากหลายแบบ ทุกสิ่งที่เคยทำล้วนล้าสมัยอย่างรวดเร็ว ตั้งแต่อัลกอริทึม ML ไปจนถึงแพลตฟอร์มคอมพิวติ้ง ทุกอย่างเปลี่ยนไปตามกระแส มีเพียงบริษัทระดับหัวกะทิจำนวนไม่กี่แห่งที่ขับเคลื่อนนวัตกรรม ML ทั้งหมด จึงทำให้หลายคนรู้สึกย้อนแย้งกับการเรียนเนื้อหาแบบนี้
    • หนังสือแบบนี้ประเมินได้ยาก... (แค่ดูจากสารบัญ?)
    • ผู้เขียนคือใคร?
    • เคยมีผลงานตีพิมพ์อื่นที่ได้รับการประเมินสูงหรือไม่?
    • มีรีวิวที่ดีจากคนที่รู้จักสาขานี้จริงหรือไม่?
    • มีรีวิวที่ดีจากนักเรียนที่ยังไม่รู้อะไรเลยหรือไม่?
    • อาจเป็นคำถามโง่ ๆ แต่: จะซื้อหนังสือจริงได้อย่างไร?
    • ดูเหมือนว่าภาพ PDF ของ 'ทำไมดีปเลิร์นนิงถึงใช้งานได้' จะชี้ไปที่ 'ดีปเลิร์นนิงและจริยธรรม' และกรณีกลับกันก็เหมือนกัน
    • เป็นงานที่ยอดเยี่ยมมาก และการเปิดให้อ่านฟรีก็ยอดเยี่ยมจริง ๆ!!
    • แม้จะไม่มีบทเกี่ยวกับ RNN แต่ก็น่าสนใจที่มีบทเกี่ยวกับทรานส์ฟอร์เมอร์ เพราะครั้งสุดท้ายที่อ่าน 'Deep Learning' ของ Ian Goodfellow ในปี 2016 หลังจากนั้นก็ยังไม่ได้อ่านอะไรอีกเลย