Bewertung:
Das Buch bietet eine umfassende Einführung in Deep Learning mit Schwerpunkt auf den mathematischen Grundlagen und Prinzipien. Obwohl es für seine klaren Erklärungen und seinen Tiefgang gelobt wird, sollten potenzielle Leser über ein gewisses mathematisches Hintergrundwissen verfügen, um den Inhalt vollständig zu erfassen. Das Buch ist jedoch nicht für diejenigen geeignet, die praktische Anwendungen oder eine Anleitung zur Programmierung von Deep Learning suchen.
Vorteile:⬤ Klare und prägnante Erklärungen zu komplexen Themen.
⬤ Konzentriert sich auf die mathematischen Grundlagen von Deep Learning.
⬤ Zugänglich für Leser mit einem Grundverständnis von Algebra und etwas Kalkül.
⬤ Bietet einen erfrischenden Ansatz mit Schwerpunkt auf Geometrie und visuellen Darstellungen.
⬤ Geeignet für ein breites Publikum, einschließlich Softwareingenieure und Anfänger.
⬤ Viele fanden es hilfreich, um die grundlegenden Konzepte zu verstehen, bevor sie sich in komplexeres Material vertiefen.
⬤ Erfordert ein gutes Verständnis von Infinitesimalrechnung und linearer Algebra, was möglicherweise nicht für alle Leser zugänglich ist.
⬤ Das Buch ist nicht für diejenigen gedacht, die Deep-Learning-Algorithmen oder -Software implementieren wollen.
⬤ Einige Rezensenten fanden es in den mittleren Abschnitten anspruchsvoll.
⬤ Es ist kleiner als erwartet, was einige Leser enttäuschen könnte.
⬤ Die Kindle-Version soll aufgrund von Formatierungsproblemen schwer zu lesen sein.
(basierend auf 48 Leserbewertungen)
Deep Learning
Eine verständliche Einführung in die Technologie der künstlichen Intelligenz, die Computer Vision, Spracherkennung, maschinelle Übersetzung und fahrerlose Autos ermöglicht.
Deep Learning ist eine Technologie der künstlichen Intelligenz, die Computer Vision, Spracherkennung in Mobiltelefonen, maschinelle Übersetzung, KI-Spiele, fahrerlose Autos und andere Anwendungen ermöglicht. Wenn wir Verbraucherprodukte von Google, Microsoft, Facebook, Apple oder Baidu verwenden, interagieren wir oft mit einem Deep-Learning-System. In diesem Band der MIT Press Essential Knowledge-Reihe bietet der Informatiker John Kelleher eine leicht verständliche und prägnante, aber umfassende Einführung in die grundlegende Technologie, die den Kern der Revolution der künstlichen Intelligenz bildet.
Kelleher erklärt, dass Deep Learning datengesteuerte Entscheidungen ermöglicht, indem es Muster aus großen Datensätzen identifiziert und extrahiert. Durch seine Fähigkeit, aus komplexen Daten zu lernen, ist Deep Learning ideal geeignet, um das schnelle Wachstum von Big Data und Rechenleistung zu nutzen. Kelleher erklärt auch einige der grundlegenden Konzepte des Deep Learning, stellt die Geschichte der Fortschritte auf diesem Gebiet dar und erörtert den aktuellen Stand der Technik. Er beschreibt die wichtigsten Deep-Learning-Architekturen, darunter Autocoder, rekurrente neuronale Netze und langzeitige Netze, sowie neuere Entwicklungen wie Generative Adversarial Networks und Kapselnetze. Außerdem gibt er eine umfassende (und verständliche) Einführung in die beiden grundlegenden Algorithmen des Deep Learning: Gradientenabstieg und Backpropagation. Abschließend wirft Kelleher einen Blick in die Zukunft des Deep Learning - wichtige Trends, mögliche Entwicklungen und große Herausforderungen.
| ISBN: | 9780262537551 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 296 |
Derzeit verfügbar, auf Lager.
