Un'introduzione a un'ampia gamma di argomenti nel deep learning, che copre le basi matematiche e concettuali, le tecniche di deep learning utilizzate nell'industria e le prospettive di ricerca.

Il deep learning è una forma di apprendimento automatico che consente ai computer di apprendere dall'esperienza e di comprendere il mondo in termini di una gerarchia di concetti. Poiché il computer acquisisce conoscenza dall'esperienza, non è necessario che un operatore umano specifichi formalmente tutte le conoscenze di cui il computer ha bisogno. La gerarchia dei concetti permette al computer di apprendere concetti complessi costruendoli a partire da quelli più semplici; un grafo di queste gerarchie sarebbe composto da molti strati. Questo libro introduce un'ampia gamma di argomenti nel deep learning.

Il testo offre basi matematiche e concettuali, coprendo concetti rilevanti in algebra lineare, teoria della probabilità e dell'informazione, calcolo numerico e apprendimento automatico. Descrive le tecniche di deep learning utilizzate dai professionisti dell'industria, inclusi reti neurali feedforward profonde, regolarizzazione, algoritmi di ottimizzazione, reti convoluzionali, modellazione di sequenze e metodologia pratica; e esamina applicazioni quali l'elaborazione del linguaggio naturale, il riconoscimento vocale, la visione artificiale, i sistemi di raccomandazione online, la bioinformatica e i videogiochi. Infine, il libro offre prospettive di ricerca, coprendo argomenti teorici come modelli lineari fattoriali, autoencoder, apprendimento di rappresentazioni, modelli probabilistici strutturati, metodi Monte Carlo, la funzione di partizione, inferenza approssimativa e modelli generativi profondi.

Deep Learning può essere utilizzato da studenti universitari o laureati che pianificano carriere nell'industria o nella ricerca, e da ingegneri del software che vogliono iniziare a utilizzare il deep learning nei loro prodotti o piattaforme. Un sito web offre materiale supplementare sia per i lettori che per gli insegnanti.