Eine Einführung in ein breites Spektrum von Themen im Deep Learning, die mathematische und konzeptionelle Grundlagen, Deep-Learning-Techniken, die in der Industrie verwendet werden, sowie Forschungsperspektiven abdeckt.

Deep Learning ist eine Form des maschinellen Lernens, die es Computern ermöglicht, aus Erfahrung zu lernen und die Welt in Form einer Hierarchie von Konzepten zu verstehen. Da der Computer Wissen aus Erfahrung sammelt, ist es nicht notwendig, dass ein menschlicher Computerbediener das gesamte Wissen, das der Computer benötigt, formal spezifiziert. Die Hierarchie der Konzepte erlaubt es dem Computer, komplizierte Konzepte durch den Aufbau aus einfacheren zu erlernen; ein Graph dieser Hierarchien wäre viele Schichten tief. Dieses Buch führt in ein breites Spektrum von Themen im Deep Learning ein.

Der Text bietet mathematische und konzeptionelle Grundlagen und behandelt relevante Konzepte aus der linearen Algebra, Wahrscheinlichkeitstheorie und Informationstheorie, numerischer Berechnung und maschinellem Lernen. Es beschreibt Deep-Learning-Techniken, die von Praktikern in der Industrie verwendet werden, einschließlich tiefer Feedforward-Netzwerke, Regularisierung, Optimierungsalgorithmen, Faltungsnetzwerke, Sequenzmodellierung und praktische Methodik; und es gibt einen Überblick über Anwendungen wie natürliche Sprachverarbeitung, Spracherkennung, Computer Vision, Online-Empfehlungssysteme, Bioinformatik und Videospiele. Schließlich bietet das Buch Forschungsperspektiven und behandelt theoretische Themen wie lineare Faktormodelle, Autoencoder, Repräsentationslernen, strukturierte probabilistische Modelle, Monte-Carlo-Methoden, die Partitionierungsfunktion, approximative Inferenz und tiefe generative Modelle.

Deep Learning kann von Bachelor- oder Masterstudierenden genutzt werden, die Karrieren in Industrie oder Forschung planen, sowie von Softwareingenieuren, die Deep Learning in ihren Produkten oder Plattformen einsetzen möchten. Eine Website bietet ergänzendes Material für Leser und Lehrende.