Bewertung:
Das Buch über Deep Learning hat gemischte Kritiken erhalten. Viele loben die mathematische Tiefe und die theoretischen Einblicke, andere kritisieren die schlechte Organisation, die zahlreichen Tippfehler und das mangelnde Korrekturlesen. Es ist sehr empfehlenswert für diejenigen mit einem starken mathematischen Hintergrund, kann aber für diejenigen, die mit den erforderlichen Konzepten weniger vertraut sind, frustrierend sein.
Vorteile:Reichhaltiger mathematischer Inhalt, gut erklärte rigorose Beweise, umfassende Abdeckung der Optimierung und der theoretischen Aspekte des Deep Learning, empfohlen für diejenigen mit starken mathematischen Kenntnissen.
Nachteile:Zahlreiche Tippfehler und falsche Notationen, schlechte Organisation, mangelndes Korrekturlesen, das zu Verwirrung führt, und Abschnitte, die für Leser, die mit fortgeschrittener Mathematik nicht vertraut sind, nicht geeignet sind.
(basierend auf 11 Leserbewertungen)
Deep Learning Architectures: A Mathematical Approach
Dieses Buch beschreibt die Funktionsweise neuronaler Netze vom mathematischen Standpunkt aus.
So können neuronale Netze sowohl als universelle Funktionsapproximatoren als auch als Informationsprozessoren interpretiert werden. Das Buch überbrückt die Lücke zwischen den Ideen und Konzepten neuronaler Netze, die heutzutage auf einer intuitiven Ebene verwendet werden, und der präzisen modernen mathematischen Sprache, indem es die besten Praktiken der ersteren präsentiert und die Robustheit und Eleganz der letzteren genießt.
Dieses Buch kann in einem Graduiertenkurs in Deep Learning verwendet werden, wobei die ersten Teile auch für ältere Studenten zugänglich sind. Darüber hinaus wird das Buch für Forscher im Bereich des maschinellen Lernens von großem Interesse sein, die an einem theoretischen Verständnis des Themas interessiert sind.
| ISBN: | 9783030367206 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 760 |
Derzeit verfügbar, auf Lager.
