Leserbewertungen
Zusammenfassung:Das Buch „Deep Learning“ von Ian Goodfellow, Yoshua Bengio und Aaron Courville wird für seine umfassende Behandlung fortgeschrittener Themen im Bereich des Deep Learning gelobt und bietet eine einzigartige Perspektive und tiefe Einblicke in dieses Gebiet. Kritisiert werden jedoch die schlechte Druckqualität, die unklare Zielgruppenausrichtung und die dichte mathematische Darstellung, die das Buch für Anfänger weniger zugänglich macht.
Vorteile:⬤ Umfassende Abdeckung von Deep-Learning-Themen und aktueller Forschung.
⬤ Exzellente Erklärungen fortgeschrittener Konzepte.
⬤ Theoretische Grundlagen und praktische Überlegungen werden einbezogen.
⬤ Geschrieben von führenden Experten auf diesem Gebiet.
⬤ Gut organisierte Struktur, die in mathematische Konzepte, Techniken und Anwendungen unterteilt ist.
⬤ Die dichte mathematische Notation kann dazu führen, dass einfache Konzepte schwer zu verstehen sind.
⬤ Setzt gute Kenntnisse in linearer Algebra und Infinitesimalrechnung voraus, was Anfänger abschrecken kann.
⬤ Manche Leser empfinden den Schreibstil als trocken und wenig pädagogisch wertvoll.
⬤ Druck und Einband einiger Ausgaben sind von schlechter Qualität.
⬤ Unklarer Adressatenkreis; möglicherweise ist das Buch für Praktiker, die nach praktischen Anwendungen suchen, nicht geeignet.
(basierend auf 673 Leserbewertungen)
Originaltitel:
Deep Learning
Inhalt des Buches:
Eine Einführung in ein breites Spektrum von Themen im Bereich Deep Learning, die den mathematischen und konzeptionellen Hintergrund, in der Industrie eingesetzte Deep-Learning-Techniken und Forschungsperspektiven abdeckt.
"Deep Learning, geschrieben von drei Experten auf diesem Gebiet, ist das einzige umfassende Buch zu diesem Thema.
--Elon Musk, Co-Vorsitzender von OpenAI; Mitbegründer und CEO von Tesla und SpaceX.
Deep Learning ist eine Form des maschinellen Lernens, die es Computern ermöglicht, aus Erfahrungen zu lernen und die Welt in Form einer Hierarchie von Konzepten zu verstehen. Da der Computer Wissen aus Erfahrung sammelt, ist es nicht erforderlich, dass ein menschlicher Computerbediener das gesamte Wissen, das der Computer benötigt, formell festlegt. Die Hierarchie der Konzepte ermöglicht es dem Computer, komplizierte Konzepte zu erlernen, indem er sie aus einfacheren aufbaut; ein Diagramm dieser Hierarchien würde viele Schichten tief sein. Dieses Buch führt in eine breite Palette von Themen des Deep Learning ein.
Der Text bietet mathematische und konzeptionelle Hintergründe und deckt relevante Konzepte der linearen Algebra, Wahrscheinlichkeitstheorie und Informationstheorie, numerische Berechnungen und maschinelles Lernen ab. Es beschreibt Deep-Learning-Techniken, die von Praktikern in der Industrie verwendet werden, einschließlich Deep-Feedforward-Netze, Regularisierung, Optimierungsalgorithmen, Faltungsnetze, Sequenzmodellierung und praktische Methodik; und es gibt einen Überblick über Anwendungen wie natürliche Sprachverarbeitung, Spracherkennung, Computer Vision, Online-Empfehlungssysteme, Bioinformatik und Videospiele. Schließlich bietet das Buch Forschungsperspektiven, die solche theoretischen Themen wie lineare Faktormodelle, Autocoder, Repräsentationslernen, strukturierte probabilistische Modelle, Monte-Carlo-Methoden, die Partitionsfunktion, approximative Inferenz und tiefe generative Modelle abdecken.
Deep Learning eignet sich für Studenten und Doktoranden, die eine Karriere in der Industrie oder Forschung anstreben, sowie für Softwareentwickler, die Deep Learning in ihren Produkten oder Plattformen einsetzen möchten. Eine Website bietet zusätzliches Material für Leser und Dozenten.
Weitere Daten des Buches:
| ISBN: | 9780262035613 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2016 |
| Seitenzahl: | 800 |
Kauf:
Derzeit verfügbar, auf Lager.
