Въведение в книга за широк спектър от теми свързани с дълбочинното обучение, което обхваща математическия и концептуалния фон, техниките на дълбочинно обучение, използвани в индустрията, и изследователските перспективи.
Дълбочинното обучение (deep learning) е форма на машинно обучение, която позволява на компютрите да учат от опита и да разбират света като йерархия от концепции. Тъй като компютърът натрупва знания от опита, няма нужда да бъдат определяни детайлно, от човешки оператор, всички знания, които компютърът изисква. Йерархията от концепции позволява на компютъра да учи сложни концепции, изграждайки ги от по-прости – график на такива йерархии би имал дълбочина от много нива. Тази книга представя широк спектър от теми в дълбочинното обучение.
Тази книга може да бъде използвана от бакалаври или магистри, които искат да последват професионална или изследователска кариера, както и от софтуерни инженери, които искат да започнат да използват дълбочинно обучение в своите продукти или платформи. В допълнение, тя е придружена от уебсайт с допълнителен материал както за читатели, така и за преподаватели.
Съдържание:
- Основни концепции на приложната математика и машинното обучение
- Линейна алгебра
- Теория на вероятностите и информацията
- Числени изчисления
- Основни концепции на машинното обучение
- Дълбоки мрежи с предно предаване
- Нормализация за дълбочинно обучение
- Оптимизация за обучение на дълбоки модели
- Конволюционни мрежи
- Практики на методологията
- Приложения
- Линейни факторни модели
- Автокодери
- Обучение на представяния
- Структурирани вероятностни модели за дълбочинно обучение
- Методи на Монте Карло
- Обработка на функцията на разпределение
- Приближен извод
- Дълбоки генеративни модели
