Goodfellow / Bengio / Courville Deep Learning. Das umfassende Handbuch

Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze
1. Auflage 2018
ISBN: 978-3-95845-701-0
Verlag: mitp Verlags GmbH & Co.KG
Format: PDF
Kopierschutz: 0 - No protection

E-Book, Deutsch, 912 Seiten

Reihe: mitp Professional

Mathematische Grundlagen für Machine und Deep LearningUmfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale NetzeZukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial NetworksDeep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning.In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt.In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf.Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.Teil I: Angewandte Mathematik und Grundlagen für das Machine LearningLineare AlgebraWahrscheinlichkeits- und InformationstheorieBayessche StatistikNumerische BerechnungTeil II: Deep-Learning-VerfahrenTiefe Feedforward-NetzeRegularisierungOptimierung beim Trainieren tiefer ModelleConvolutional Neural NetworksSequenzmodellierung für Rekurrente und Rekursive NetzePraxisorientierte MethodologieAnwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher SpracheTeil III: Deep-Learning-ForschungLineare FaktorenmodelleAutoencoderRepresentation LearningProbabilistische graphische ModelleMonte-Carlo-VerfahrenDie PartitionsfunktionApproximative InferenzTiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Zielgruppe

Studenten sowie Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten

Autoren/Hrsg.

Goodfellow, Ian

Bengio, Yoshua

Courville, Aaron

Über Autor(innen)

Ian Goodfellow ist Informatiker und Research Scientist bei Google Brain und arbeitet dort an der Entwicklung von Deep Learning. Er ist der Erfinder der Generative Adversarial Networks, die Yann LeCun, Facebooks Leiter für Künstliche-Intelligenz-Forschung, als „die coolste Erfindung im Deep Learning der letzten 20 Jahre“ beschrieben hat. Die FAZ nannte Goodfellow den "Shooting Star der Künstlichen Intelligenz", die Wired einen der wichtigsten Forscher auf diesem Gebiet. Yoshua Bengio ist Professor of Computer Science an der Université de Montréal. Aaron Courville ist Assistant Professor of Computer Science an der Université de Montréal.