2. التمهيدات

للبدء في التعلم العميق ، سنحتاج إلى تطوير بعض المهارات الأساسية.

إعلم أنّ جميع التعلم الآلي يهتم باستخراج المعلومات من البيانات. لذلك وجب أن نبدأ بتعلّم المهارات العمليّة لتخزين و تنظيف ومعالجة البيانات.

علاوة على ذلك ، يتطلب التعلم الآلي عادةً العمل مع مجموعات البيانات الكبيرة ، والتي يمكننا التفكير فيها كجداول ، حيث تتوافق الصفوف مع الأمثلة والأعمدة تتوافق مع السمات. الجبر الخطي يعطينا مجموعة قوية من التقنيات للعمل مع البيانات الجدولية. لن نذهب بعيدًا إلى الأعشاب الضارة بل نركز على العمليات الأساسية للمصفوفة وتنفيذها.

بالإضافة إلى ذلك ، التعلم العميق هو كل شيء عن التحسين. لدينا نموذج مع بعض المعلمات ونريد أن نجد تلك التي تناسب بياناتنا * الأفضل *. يتطلب تحديد طريقة نقل كل معلمة في كل خطوة من الخوارزمية القليل من حساب التفاضل والتكامل ، والذي سيتم تقديمه لفترة وجيزة. لحسن الحظ ، تقوم حزمة “autograd” تلقائيًا بحساب التمايز بالنسبة لنا ، وسوف نقوم بتغطيتها بعد ذلك.

بعد ذلك ، يهتم التعلم الآلي بعمل التنبؤات: ما هي القيمة المحتملة لبعض السمات غير المعروفة ، بالنظر إلى المعلومات التي نلاحظها؟ لسبب صارم في ظل عدم اليقين سنحتاج إلى استدعاء لغة الاحتمال.

في النهاية ، توفر الوثائق الرسمية الكثير من الأوصاف والأمثلة التي تتجاوز هذا الكتاب. لاختتام الفصل ، سنبين لك كيفية البحث عن الوثائق للحصول على المعلومات المطلوبة.

حافظ هذا الكتاب على المحتوى الرياضي إلى الحد الأدنى الضروري للحصول على فهم سليم للتعلم العميق. ومع ذلك ، هذا لا يعني أن هذا الكتاب خالٍ من الرياضيات. وبالتالي ، يقدم هذا الفصل مقدمة سريعة للرياضيات الأساسية والمستخدمة بشكل متكرر للسماح لأي شخص بأن يفهم على الأقل * معظم * المحتوى الرياضي للكتاب. إذا كنت ترغب في فهم * الكل * للمحتوى الرياضي ، فيجب أن تكون المراجعة الإضافية chap_appendix_math كافية.

فهرس المقال

• 2.1. معالجة البيانات
  • 2.1.1. لنشرع بالعمل
  • 2.1.2. Operations
  • 2.1.3. Broadcasting Mechanism
  • 2.1.4. Indexing and Slicing
  • 2.1.5. حفظ الذاكرة
  • 2.1.6. Conversion to Other Python Objects
  • 2.1.7. الخلاصة
  • 2.1.8. التّمارين
  • 2.1.9. Discussions
• 2.2. Data Preprocessing
  • 2.2.1. Reading the Dataset
  • 2.2.2. Handling Missing Data
  • 2.2.3. Conversion to the ndarray Format
  • 2.2.4. Summary
  • 2.2.5. Exercises
  • 2.2.6. Discussions
• 2.3. Linear Algebra
  • 2.3.1. Scalars
  • 2.3.2. Vectors
  • 2.3.3. Matrices
  • 2.3.4. Tensors
  • 2.3.5. Basic Properties of Tensor Arithmetic
  • 2.3.6. Reduction
  • 2.3.7. Dot Products
  • 2.3.8. Matrix-Vector Products
  • 2.3.9. Matrix-Matrix Multiplication
  • 2.3.10. Norms
  • 2.3.11. More on Linear Algebra
  • 2.3.12. Summary
  • 2.3.13. Exercises
  • 2.3.14. Discussions
• 2.4. Calculus
  • 2.4.1. Derivatives and Differentiation
  • 2.4.2. Partial Derivatives
  • 2.4.3. Gradients
  • 2.4.4. Chain Rule
  • 2.4.5. Summary
  • 2.4.6. Exercises
  • 2.4.7. Discussions
• 2.5. Automatic Differentiation
  • 2.5.1. A Simple Example
  • 2.5.2. Backward for Non-Scalar Variables
  • 2.5.3. Detaching Computation
  • 2.5.4. Computing the Gradient of Python Control Flow
  • 2.5.5. Training Mode and Prediction Mode
  • 2.5.6. Summary
  • 2.5.7. Exercises
  • 2.5.8. Discussions
• 2.6. Probability
  • 2.6.1. Basic Probability Theory
  • 2.6.2. Dealing with Multiple Random Variables
  • 2.6.3. Expectation and Variance
  • 2.6.4. Summary
  • 2.6.5. Exercises
  • 2.6.6. Discussions
• 2.7. Documentation
  • 2.7.1. Finding All the Functions and Classes in a Module
  • 2.7.2. Finding the Usage of Specific Functions and Classes
  • 2.7.3. API Documentation
  • 2.7.4. Summary
  • 2.7.5. Exercises
  • 2.7.6. Discussions