Ocena:
Książka na temat głębokiego uczenia przedstawia kompleksową i bogatą matematycznie eksplorację tematu. Otrzymała pochwały za szczegółowe wyjaśnienia i rygorystyczne dowody, ale jest krytykowana za brak korekty i organizacji, co prowadzi do dezorientacji wśród czytelników. Podczas gdy niektórzy uważają ją za najlepszą teoretyczną książkę na temat Deep Learning dla osób z silnym zapleczem matematycznym, inni uważają ją za słabo napisaną i pełną błędów.
Zalety:Kompleksowe omówienie teoretycznych aspektów głębokiego uczenia, dobrze wyjaśniona treść matematyczna, rygorystyczne dowody, unikalne tematy teoretyczne, wysokiej jakości druk.
Wady:Słaba korekta z licznymi błędami, chaotyczna organizacja, może być zbyt zaawansowana dla czytelników bez silnego zaplecza matematycznego, rozczarowujące sekcje dotyczące teorii analitycznej.
(na podstawie 11 opinii czytelników)
Deep Learning Architectures: A Mathematical Approach
Problemy wprowadzające. - Funkcje aktywacji.
- Funkcje kosztu. - Algorytmy znajdowania minimów. - Neurony abstrakcyjne.
- Sieci neuronowe.
- Twierdzenia o aproksymacji. - Uczenie się z jednowymiarowymi danymi wejściowymi.
- Uniwersalne aproksymatory. - Uczenie dokładne. - Reprezentacja informacji.
- Ocena pojemności informacyjnej. - Rozmaitości wyjściowe. - Neuromanifoldy.
- Łączenie. - Sieci konwolucyjne.
- Sieci neuronowe rekurencyjne. - Klasyfikacja. - Modele generatywne.
- Sieci stochastyczne.
- Wskazówki i rozwiązania.
