Ocena:
Książka stanowi kompleksowe wprowadzenie do głębokiego uczenia, koncentrując się na jego matematycznych podstawach i zasadach. Chociaż jest chwalona za jasne wyjaśnienia i głębię, potencjalni czytelnicy powinni mieć pewne podstawy matematyczne, aby w pełni zrozumieć treść. Książka nie jest jednak odpowiednia dla osób poszukujących praktycznych zastosowań lub wskazówek programistycznych w Deep Learning.
Zalety:⬤ Przejrzyste i zwięzłe wyjaśnienia złożonych tematów.
⬤ Skupia się na matematycznych podstawach głębokiego uczenia.
⬤ Dostępna dla czytelników z podstawową znajomością algebry i rachunku różniczkowego.
⬤ Oferuje odświeżające podejście podkreślające geometrię i reprezentacje wizualne.
⬤ Odpowiednia dla szerokiego grona odbiorców, w tym inżynierów oprogramowania i początkujących.
⬤ Wiele osób uznało ją za pomocną w zrozumieniu podstawowych pojęć przed zagłębieniem się w bardziej złożone materiały.
⬤ Wymaga dobrego zrozumienia rachunku różniczkowego i algebry liniowej, co może nie być dostępne dla wszystkich czytelników.
⬤ Książka nie jest przeznaczona dla tych, którzy chcą zaimplementować algorytmy lub oprogramowanie Deep Learning.
⬤ Niektórzy recenzenci uznali ją za trudną w środkowych rozdziałach.
⬤ Jest fizycznie mniejsza niż oczekiwano, co może rozczarować niektórych czytelników.
⬤ Wersja na Kindle jest trudna do czytania ze względu na problemy z formatowaniem.
(na podstawie 48 opinii czytelników)
Przystępne wprowadzenie do technologii sztucznej inteligencji, która umożliwia widzenie komputerowe, rozpoznawanie mowy, tłumaczenie maszynowe i samochody bez kierowcy.
Głębokie uczenie to technologia sztucznej inteligencji, która umożliwia widzenie komputerowe, rozpoznawanie mowy w telefonach komórkowych, tłumaczenie maszynowe, gry AI, samochody bez kierowcy i inne aplikacje. Kiedy korzystamy z produktów konsumenckich Google, Microsoft, Facebook, Apple lub Baidu, często wchodzimy w interakcję z systemem głębokiego uczenia. W tym tomie serii MIT Press Essential Knowledge informatyk John Kelleher oferuje przystępne i zwięzłe, ale kompleksowe wprowadzenie do fundamentalnej technologii leżącej u podstaw rewolucji sztucznej inteligencji.
Kelleher wyjaśnia, że głębokie uczenie umożliwia podejmowanie decyzji opartych na danych poprzez identyfikowanie i wyodrębnianie wzorców z dużych zbiorów danych; jego zdolność do uczenia się na podstawie złożonych danych sprawia, że głębokie uczenie idealnie nadaje się do wykorzystania szybkiego wzrostu dużych zbiorów danych i mocy obliczeniowej. Kelleher wyjaśnia również niektóre z podstawowych pojęć w głębokim uczeniu się, przedstawia historię postępów w tej dziedzinie i omawia obecny stan wiedzy. Opisuje najważniejsze architektury głębokiego uczenia się, w tym autoenkodery, rekurencyjne sieci neuronowe i sieci długoterminowe, a także najnowsze osiągnięcia, takie jak Generative Adversarial Networks i sieci kapsułkowe. Zapewnia również kompleksowe (i zrozumiałe) wprowadzenie do dwóch podstawowych algorytmów głębokiego uczenia się: zejścia gradientowego i wstecznej propagacji. Wreszcie, Kelleher rozważa przyszłość głębokiego uczenia się - główne trendy, możliwy rozwój i znaczące wyzwania.
