Ein einführendes Buch zu einem breiten Spektrum von Themen des tiefen Lernens, das den mathematischen und konzeptionellen Hintergrund, die im Bereich verwendeten Techniken des tiefen Lernens und die Forschungsperspektiven behandelt.

Tiefes Lernen (deep learning) ist eine Form des maschinellen Lernens, die es Computern ermöglicht, aus Erfahrung zu lernen und die Welt als eine Hierarchie von Konzepten zu verstehen. Da der Computer Wissen aus Erfahrung ansammelt, ist es nicht erforderlich, dass ein menschlicher Operator alle Kenntnisse, die der Computer benötigt, akribisch festlegt. Die Hierarchie von Konzepten ermöglicht es dem Computer, komplexe Konzepte aus einfacheren zu lernen – ein Graph solcher Hierarchien hätte eine Tiefe von vielen Ebenen. Dieses Buch präsentiert ein breites Spektrum an Themen im tiefen Lernen.

Dieses Buch kann von Bachelor- oder Masterstudenten verwendet werden, die entweder eine berufliche oder eine wissenschaftliche Karriere anstreben, sowie von Softwareingenieuren, die beginnen möchten, tiefes Lernen in ihren Produkten oder Plattformen zu nutzen. Es wird von einer Website mit ergänzendem Material sowohl für Leser als auch für Lehrende begleitet.

Inhalt:

• Grundlegende Konzepte der angewandten Mathematik und des maschinellen Lernens
• Lineare Algebra
• Wahrscheinlichkeits- und Informationstheorie
• Zahlentheorie
• Grundlagen des maschinellen Lernens
• Tiefe Vorwärtsnetzwerke
• Normierung für tiefes Lernen
• Optimierung für das Training tiefer Modelle
• Faltungsnetzwerke
• Praktische Methoden
• Anwendungen
• Lineare Faktormodelle
• Autoencodierer
• Repräsentationslernen
• Strukturierte probabilistische Modelle für tiefes Lernen
• Monte-Carlo-Methoden
• Umgang mit der Verteilungfunktion
• Approximationstheoreme
• Tiefe generative Modelle