Mathematische Grundlagen des Deep Learning bietet eine umfassende und fundierte Darstellung der mathematischen Prinzipien, die dem modernen Deep Learning zugrunde liegen. Das Buch behandelt zentrale theoretische Themen: von den Approximationseigenschaften tiefer neuronaler Netze und der Theorie sowie den Algorithmen der optimalen Steuerung und des bestärkenden Lernens in Verbindung mit Deep-Learning-Techniken bis hin zu modernen generativen Modellen, die die aktuellen Fortschritte in der künstlichen Intelligenz vorantreiben.
Dieser Band ist sowohl als Lehrbuch für Studierende im Masterstudium und fortgeschrittene Bachelorstudierende als auch als langfristiges Nachschlagewerk konzipiert. Er soll Studierenden ein fundiertes mathematisches Verständnis des Deep Learning vermitteln und zugleich Forschenden, Wissenschaftlerinnen und Wissenschaftlern sowie Ingenieurinnen und Ingenieuren einen systematischen Rahmen für die Entwicklung und Analyse moderner Systeme der künstlichen Intelligenz bieten.
Besonderheiten
Umfassend und fundiert, mit ausführlichen theoretischen Herleitungen, mathematischen Beweisen und algorithmischen Rahmenwerken.
Sorgfältig ausgewählte Inhalte dieses Buches eignen sich für eine vollständige einsemestrige Lehrveranstaltung für Studierende im Masterstudium und fortgeschrittene Bachelorstudierende.
Prägnante und zugleich präzise Darstellung zentraler Konzepte und Techniken des Deep Learning in exakter, fundierter mathematischer Sprache.
