چه کتاب‌های مرجعی برای رشته کارشناسی‌ارشد هوش مصنوعی باید بخوانیم؟

سلام، امروز در مورد کتاب‌های مرجعی که در حین خواندن کارشناسی‌ارشد رشته مهندسی کامپیوتر-هوش مصنوعی باید بخوانیم، می‌خواهم بنویسم. من ارشد هوش مصنوعی دارم و در حین تحصیل تمرکزم بر روی پردازش تصویر و بینایی ماشین بود. در ادامه فقط کتاب‌هایی را معرفی می‌کنم که حداقل ۸۰ درصد آن‌ها را خوانده‌ام و از معرفی سایر کتاب‌ها خودداری می‌کنم.

 

درس یادگیری ماشین – Machine Learning

برای این درس کتاب Learning from Data: A Short Course اثر Hsuan-Tien Lin, Malik Magdon-Ismail, and Yaser Abu-Mostafa را خواندم. این کتاب به صورت تیوری به یادگیری ماشین می‌پردازد. در فصل اول مسئله یادگیری تعریف می‌شود. برای این‌کار یادگیری ماشین را تعریف می‌کند و انواع یادگیری ماشین را نام می‌برد و از نظر تئوری توضیح می‌دهد که آیا یادگیری امکان پذییر است یا خیر و بعد در مورد خطا صحبت می‌کند. در فصل بعد در مورد فاز آموزش و یادگیری صحبت می‌کند و انواع باند‌ها در یادگیری را توضیح می‌دهد. همین طور در این فصل به صورت تئوری به واریانس و بایاس پرداخته می‌شود. در فصل سه تعدادی دسته‌بند و مدل رگرسیون خطی را توضیح می‌دهد و از نظر تئوری آن‌ها را بررسی می‌کند. در فصل ۴ در مورد بیش برازش صحبت می‌شود و روش‌هایی که می‌توان از آن جلوگیری کرد. و در فصل آخر در مورد اصولی صحبت می‌کند که باید در حین آموزش یک مدل رعایت کرد. این کتاب بسیار کم حجم است و فقط از دید تئوری به مبحث‌های مختلف پرداخته است که کاملا دید عمیقی به شما می‌دهد.

This book is designed for a short course on machine learning. It is a short course, not a hurried course.

 

درس شناسایی آماری الگو – Statistical Pattern Recognition

برای این درس کتاب Pattern Classification اثر David G. Stork, Peter E. Hart, and Richard O. Duda را خواندم. این کتاب یک مقدار قدیمی هست. ولی با این حال مباحث خوب توضیح داده است. در فصل اول یک مقدمه گفته شده‌است و در فصل دوم در مورد تئوری تصمیم بیزین توضیح داده شده است. در فصل سه به روش Maximum Likelihood و روش تخمین بیزین برای تخمین پارامتر‌های مدل پرداخته شده است. فصل ۴ در مورد مدل‌های بدون پارامتر همچون پنجره پرزن است. در فصل‌های بعد در مورد مدل‌های خطی، شبکه‌های عصبی، درخت تصمیم و مدل‌های بدون نظارت صحبت شده است. یک بخش پیش‌زمینه ریاضی هم دارد که بسیار مفید است و خیلی از مفاهیم مورد نیاز جبر خطی و … که مورد نیاز هستند را توضیح می‌دهد.

Pattern recognition — the act of taking in raw data and taking an action based on the “category” of the pattern — has been crucial for our survival, and over the past tens of millions of years we have evolved highly sophisticated neural and cognitive systems for such tasks.

 

درس مدل‌های گرافیکی احتمالاتی – Probabilistic Graphical Models

این درس، به نظر درس سختی بود چون مباحث زیادی را شامل می‌شد و به نظرم باید به دو درش مدل‌های گرافیکی احتمالاتی مقدماتی و پیشرفته تقسیم می‌شد. برای این درس کتاب Probabilistic Graphical Models: Principles and Techniques  اثر Daphne Koller, Nir Friedman  را خواندم. در این حوزه بعید می‌دونم کتابی مفصل‌تر و بهتر از این کتاب باشد. به دلیل زیاد بودن مبحث‌های این کتاب توضیحی در مورد فصل‌های آن نمی‌دهم.

 

درس شبکه‌های عصبی – Artificial Neural Networks

با توجه به سرعت رشد شبکه‌های عصبی و نوآوری‌هایی که پشت سر هم می‌آیند، کتاب مرجع خاصی برای این درس نداشتم و بیشتر مقاله می‌خواندم.

درس پردازش تصویر دیجیتالی – Digital Image Processing

این درس یک کتاب بسیار شناخته شده به اسم Digital Image Processing, 3rd edition اثر Rafael C. GONZALES and Richard E. Woods دارد. من هم همین کتاب را خواندم که بسیار خوانا است و با مثال‌های خوب مطلب را رسانده است.  البته فکر کنم نسخه ۴ این کتاب هم آمده باشد. فصل اول این کتاب مقدمه است که به تصویر و تصویربرداری پرداخته است. در فصل دوم به معرفی تصاویر دیجیتالی پرداخته است. در فصل سوم به تعدادی روش برای تغییر شدت روشنایی پیکسل‌ها و فیلتر‌های مکانی برای بلور کردن و شارپ کردن تصویر‌ها  پرداخته شده است و روش‌هایی برای بررسی تصویر مثل هیستوگرام معرفی شده‌اند. فصل ۴، فصل جالبی است و به فیلترها در حوزه فرکانس پرداخته شده است. در این بخش تبدیل فوریه و خصوصیات آن و بعضی از روش‌ها برای بلورکردن و شارت کردن تصویر در این دامنه توضیح داده شده است. در فصل ۵ به طور مفصل‌تر به فیلتر‌ها و روش‌های بازسازی تصویر با استفاده از روش‌های فیلتر‌های مکانی و روش‌ها حوزه فرکانس پرداخته شده است. فصل‌های قبل بیشتر در مورد تصاویر غیر رنگی بودند. در فصل شش رنگ پیکسل‌ها هم مورد نظر قرار گرفته می‌شود. در فصل‌های دیگر هم در ومورد ویولنت، فشرده‌سازی تصاویر، عملیات‌های مورفولوژی، قطعه‌بندی تصویرو پیدا کردن اشیا در تصویر صحبت شده است. خیلی از دانشجویان این درس را با بینایی ماشین اشتباه می‌گیرند. این دو درس متفاوت هستند و برای دو منظور جدا هستند. در پردازش تصویر

When something can be read without effort, great effort has gone into its writing.

Enrique Jardiel Poncela

درس بینایی ماشین – Computer Vision

برای این درس هم کتاب خاصی نداشتم چون بیشتر کتاب‌ها نسبت به متد‌های روش قدیمی هستند. برای این منظور بیشتر مقاله خواندم. در این آدرس تعدادی از مقاله‌هایی که برای این درس باید خوانده شوند را معرفی کرده‌ام:

مقاله‌هایی که باید برای درس بینایی ماشین خوانده شوند.

درس بهینه سازی – Optimization

این درس یکی از بهترین‌ درس‌هایی بود که در طول دوره ارشد برداشتم. برای این درس کتاب Convex Optimization اثر Lieven Vandenberghe and Stephen P. Boyd را خواندم. فصل اول مقدمه است و در مورد بهینه‌سازی و اهمیت آن است. فصل بعد در مورد مجموعه‌های محدب است. فصل بعدی تابع‌های محدب را پوشش می‌دهد. فصل بعد تعدادی از مسائل بهینه‌سازی محدب را توضیح می‌دهد. فصل‌های بعد در مورد دوآلیتی، محدودیت‌های مساوی و نامساوی و … است. همچنین این کتاب یک فصل هم برای پیش‌نیاز ریاضی دارد که بسیار خوب نوشته شده‌است و بعد از آن می‌توان کتاب را به راحتی خواند.

Our main goal is to help the reader develop a working knowledge of convex optimization, i.e., to develop the skills and background needed to recognize, formulate, and solve convex optimization problems.

 

درس یادگیری تقویتی- Reinforcement Learning

من این درس را پاس نکرده‌ام ولی خودم با توجه به علاقه‌ای که دارم کتاب Reinforcement Learning An Introduction اثر Sutton, Barto را خواندم. در فصل اول یادگیری تقویتی تعریف می‌شود. در فصل دو یک مسئله بسیار ساده تعریف شده است که آن را یک روش ساده حل می‌کند تا بنیان روش‌های یادگیری تقویتی را توضیح دهد. در فصل سه پروسه ماروکو صحبت می‌شود. در فصل چهار روش‌های مبتنی بر Dynamic Programming مورد بررسی قرار می‌گیرند. در فصل‌های بعد در مورد روش‌های مونته کارلو و انواع بهبود یافته آن صحبت می‌شود و در ادامه در مورد روش‌های تخمین و یادگیری ماشین در این حوزه حرف زده می‌شود.

The idea that we learn by interacting with our environment is probably the first to occur to us when we think about the nature of learning. When an infant plays, waves its arms, or looks about, it has no explicit teacher, but it does have a direct sensorimotor connection to its environment. Exercising this connection produces a wealth of information about cause and effect, about the consequences of actions, and about what to do in order to achieve goals.

اگر کتاب خاصی را خوانده‌اید در بخش نظرات حتما بیان کنید. با سپاس.

نظرتان را برای ما بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *