Глубокое обучение

Для тех, кто предпочитает печатную копию, книгу можно заказать через Amazon.

Учебник состоит из трех частей. Часть I начинается с необходимой прикладной математики и основ машинного обучения, включая линейную алгебру, теорию вероятностей, теорию информации, численное вычисление и основные концепции машинного обучения. Часть II посвящена современным практическим глубоким сетям, охватывая прямосвязные сети, регуляризацию, оптимизацию, сверточные сети, моделирование последовательностей, практическую методологию и приложения.

Часть III переключает внимание на исследования в области глубокого обучения, исследуя такие темы, как линейные факторные модели, автокодировщики, обучение представлений, структурированные вероятностные модели, методы Монте-Карло, приближенное выведение и глубокие генеративные модели. Это всестороннее освещение призвано вооружить читателей как теоретическими знаниями, так и практическими представлениями о быстро развивающейся области глубокого обучения.

Авторы предоставляют ресурсы для цитирования книги, включая запись bibtex и файлы шаблонов для LaTeX. Они также поддерживают раздел часто задаваемых вопросов (FAQ) для ответов на распространенные запросы, такие как доступность PDF (которая ограничена из-за соглашений с издателем) и обоснование формата HTML для веб-версии. Предложения по улучшениям и исправлениям опечаток приветствуются по электронной почте [email protected], хотя крупных изменений не ожидается, поскольку книга завершена и находится в печати.

Целевая аудитория включает студентов, получающих степени в области компьютерных наук, искусственного интеллекта или смежных дисциплин, а также исследователей и отраслевых специалистов, стремящихся углубить свое понимание методов глубокого обучения. Подробные объяснения и широкий охват книги делают ее бесценным справочником для всех, кто занимается разработкой и применением машинного обучения.