Deep Learning Architekturen: Eine mathematische Annäherung

Bewertung: ⭐⭐⭐⭐⭐  (4,3 von 5)

Leserbewertungen

Zusammenfassung:

Das Buch über Deep Learning stellt eine umfassende und mathematisch reichhaltige Erkundung des Themas dar. Es wird für seine detaillierten Erklärungen und strengen Beweise gelobt, aber auch für seine mangelnde Korrektur und Organisation kritisiert, die bei den Lesern zu Verwirrung führt. Während einige es als das beste theoretische Buch über Deep Learning für diejenigen mit einem starken mathematischen Hintergrund betrachten, finden andere es schlecht geschrieben und mit Fehlern gespickt.

Vorteile:

Umfassende Abdeckung der theoretischen Aspekte von Deep Learning, gut erklärter mathematischer Inhalt, strenge Beweise, einzigartige theoretische Themen, hochwertiger Druck.

Nachteile:

Schlechtes Korrekturlesen mit zahlreichen Fehlern, planlose Organisation, möglicherweise zu fortgeschritten für Leser ohne starken mathematischen Hintergrund, enttäuschende Abschnitte über analytische Theorie.

(basierend auf 11 Leserbewertungen)

Originaltitel:

Deep Learning Architectures: A Mathematical Approach

Inhalt des Buches:

Einführende Probleme. - Aktivierungsfunktionen.

- Kostenfunktionen. - Algorithmen zum Finden von Minima. - Abstrakte Neuronen.

- Neuronale Netze.

- Approximationstheoreme. - Lernen mit eindimensionalen Eingaben.

- Universelle Approximatoren. - Exaktes Lernen. - Repräsentation von Information.

- Bewertung der Informationskapazität. - Ausgabeverteilungen. - Neuromanifolds.

- Pooling. - Faltungsnetzwerke.

- Rekurrente neuronale Netze. - Klassifizierung. - Generative Modelle.

- Stochastische Netze.

- Hinweise und Lösungen.

Weitere Daten des Buches:

• ISBN: 9783030367237
• Autor: Ovidiu Calin
• Verlag: Springer Nature
• Einband: Taschenbuch