Bewertung:
Dieses Buch wird als eine der besten Ressourcen für das Verständnis von Deep Learning und maschinellem Lernen angesehen, da es klare, leicht zugängliche Erklärungen zusammen mit strengen mathematischen Grundlagen bietet. Obwohl es gut strukturiert und umfassend ist, wurde es wegen Ungenauigkeiten in mathematischen Details und unterdurchschnittlichen Erklärungen in bestimmten Deep-Learning-Abschnitten kritisiert.
Vorteile:⬤ Bestes Buch über Deep Learning nach Meinung mehrerer Rezensenten.
⬤ Zugängliche und intuitive Erklärungen unter Beibehaltung der mathematischen Strenge.
⬤ Deckt ein breites Spektrum an Themen ab, einschließlich neuerer Entwicklungen wie Transformatoren und Diffusionsmodelle.
⬤ Hochwertiger Druck und Einband in neueren Ausgaben.
⬤ Sowohl für Anfänger als auch für erfahrene Praktiker geeignet.
⬤ Gut organisiert und pädagogisch wirksam.
⬤ Bestimmte Kapitel über Faltungsnetze und Transformatoren sind schlecht erklärt und gehen nicht in die Tiefe.
⬤ Einige mathematische Fehler wurden von Lesern bemerkt, was zu Bedenken hinsichtlich der Genauigkeit komplexerer Themen führt.
⬤ Anfängliche Probleme mit der Druckqualität, die jedoch in neueren Ausgaben verbessert wurde.
(basierend auf 46 Leserbewertungen)
Deep Learning: Foundations and Concepts
Dieses Buch bietet eine umfassende Einführung in die zentralen Ideen, die dem Deep Learning zugrunde liegen. Es richtet sich sowohl an Neulinge im Bereich des maschinellen Lernens als auch an diejenigen, die bereits Erfahrung in diesem Bereich haben. Es deckt Schlüsselkonzepte in Bezug auf aktuelle Architekturen und Techniken ab und bietet dem Leser eine solide Grundlage für eine mögliche zukünftige Spezialisierung. Der Bereich des maschinellen Lernens unterliegt einer rasanten Entwicklung, und daher konzentriert sich dieses Buch auf Ideen, die wahrscheinlich den Test der Zeit überdauern werden.
Das Buch ist in zahlreiche mundgerechte Kapitel gegliedert, die sich jeweils mit einem bestimmten Thema befassen. Die Darstellung folgt einer linearen Progression, wobei jedes Kapitel auf den Inhalten seiner Vorgänger aufbaut. Diese Struktur eignet sich gut für einen zweisemestrigen Grund- oder Aufbaustudiengang zum maschinellen Lernen, ist aber auch für diejenigen relevant, die aktiv forschen oder sich selbst weiterbilden wollen.
Für ein umfassendes Verständnis des maschinellen Lernens ist ein gewisses Maß an mathematischem Hintergrundwissen erforderlich, weshalb das Buch eine in sich geschlossene Einführung in die Wahrscheinlichkeitstheorie enthält. Der Schwerpunkt des Buches liegt jedoch auf der Vermittlung eines klaren Verständnisses der Ideen, wobei der Schwerpunkt auf dem praktischen Wert der Techniken in der realen Welt und nicht auf der abstrakten Theorie liegt. Komplexe Konzepte werden daher aus verschiedenen, sich ergänzenden Blickwinkeln dargestellt, darunter textliche Beschreibungen, Diagramme, mathematische Formeln und Pseudocode.
Chris Bishop ist ein Technical Fellow bei Microsoft und Direktor von Microsoft Research AI4Science. Er ist ein Fellow des Darwin College Cambridge, ein Fellow der Royal Academy of Engineering und ein Fellow der Royal Society.
Hugh Bishop ist angewandter Wissenschaftler bei Wayve, einem Unternehmen für Deep Learning im Bereich autonomes Fahren in London, wo er tiefe neuronale Netze entwickelt und trainiert. Er schloss seinen MPhil in Maschinellem Lernen und Maschineller Intelligenz an der Universität Cambridge ab.
"Chris Bishop hat 1995 ein hervorragendes Lehrbuch über neuronale Netze geschrieben und verfügt über ein tiefes Wissen über das Gebiet und seine Kernideen. Dank seiner langjährigen Erfahrung bei der Erklärung neuronaler Netze ist er äußerst geschickt darin, komplizierte Ideen so einfach wie möglich darzustellen, und es ist eine Freude zu sehen, wie diese Fähigkeiten auf die revolutionären neuen Entwicklungen in diesem Bereich angewendet werden." -- Geoffrey Hinton
Mit der jüngsten Explosion von Deep Learning und KI als Forschungsthema und der schnell wachsenden Bedeutung von KI-Anwendungen wurde ein modernes Lehrbuch zu diesem Thema dringend benötigt. Der "New Bishop" füllt diese Lücke meisterhaft, indem er Algorithmen für überwachtes und unüberwachtes Lernen, moderne Deep-Learning-Architekturfamilien sowie die Anwendung all dessen in verschiedenen Anwendungsbereichen behandelt." - Yann LeCun
"Dieses ausgezeichnete und sehr lehrreiche Buch bringt den Leser auf den neuesten Stand der wichtigsten Konzepte und Fortschritte im Deep Learning mit einer soliden Verankerung in der Wahrscheinlichkeitsrechnung. Diese Konzepte treiben die aktuellen industriellen KI-Systeme an und werden wahrscheinlich die Grundlage für weitere Fortschritte auf dem Weg zur künstlichen allgemeinen Intelligenz bilden." -- Yoshua Bengio
| ISBN: | 9783031454677 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 649 |
Derzeit verfügbar, auf Lager.
