Ocena:
Książka ta jest wysoko ceniona jako jedno z najlepszych źródeł do zrozumienia głębokiego uczenia się i uczenia maszynowego, zapewniając jasne, przystępne wyjaśnienia wraz z rygorystycznymi podstawami matematycznymi. Choć jest dobrze skonstruowana i kompleksowa, spotkała się z krytyką za nieścisłości w szczegółach matematycznych i niedostateczne wyjaśnienia w niektórych sekcjach dotyczących głębokiego uczenia.
Zalety:⬤ Najlepsza książka na temat głębokiego uczenia według wielu recenzentów.
⬤ Przystępne i intuicyjne wyjaśnienia przy jednoczesnym zachowaniu rygoru matematycznego.
⬤ Obejmuje szeroki zakres tematów, w tym najnowsze osiągnięcia, takie jak transformatory i modele dyfuzyjne.
⬤ Wysokiej jakości druk i oprawa w nowszych wydaniach.
⬤ Dobra zarówno dla początkujących, jak i doświadczonych praktyków.
⬤ Dobrze zorganizowana i skuteczna pedagogicznie.
⬤ Poszczególne rozdziały dotyczące sieci splotowych i transformatorów są słabo wyjaśnione i brakuje im głębi.
⬤ Pewne błędy matematyczne zauważone przez czytelników, prowadzące do obaw o dokładność bardziej złożonych tematów.
⬤ Początkowe problemy z jakością druku, choć poprawione w nowszych wydaniach.
(na podstawie 46 opinii czytelników)
Deep Learning: Foundations and Concepts
Ta książka oferuje kompleksowe wprowadzenie do głównych idei, które leżą u podstaw głębokiego uczenia się. Jest przeznaczona zarówno dla nowicjuszy w dziedzinie uczenia maszynowego, jak i dla tych, którzy mają już doświadczenie w tej dziedzinie. Obejmując kluczowe koncepcje związane ze współczesnymi architekturami i technikami, ta niezbędna książka wyposaża czytelników w solidne podstawy do potencjalnej przyszłej specjalizacji. Dziedzina głębokiego uczenia się przechodzi szybką ewolucję, dlatego też niniejsza książka koncentruje się na pomysłach, które prawdopodobnie przetrwają próbę czasu.
Książka jest podzielona na liczne rozdziały, z których każdy bada odrębny temat, a narracja przebiega liniowo, a każdy rozdział opiera się na treści z poprzednich rozdziałów. Taka struktura dobrze nadaje się do nauczania dwusemestralnego kursu licencjackiego lub podyplomowego uczenia maszynowego, pozostając równie istotną dla osób zaangażowanych w aktywne badania lub samodzielną naukę.
Pełne zrozumienie uczenia maszynowego wymaga pewnych podstaw matematycznych, dlatego książka zawiera samodzielne wprowadzenie do teorii prawdopodobieństwa. Książka koncentruje się jednak na przekazaniu jasnego zrozumienia idei, z naciskiem na praktyczną wartość technik w świecie rzeczywistym, a nie na abstrakcyjnej teorii. Złożone koncepcje są zatem prezentowane z wielu uzupełniających się perspektyw, w tym opisów tekstowych, diagramów, wzorów matematycznych i pseudokodu.
Chris Bishop jest pracownikiem technicznym w firmie Microsoft i dyrektorem Microsoft Research AI4Science. Jest członkiem Darwin College w Cambridge, członkiem Royal Academy of Engineering i członkiem Royal Society.
Hugh Bishop jest naukowcem stosowanym w Wayve, londyńskiej firmie zajmującej się autonomiczną jazdą opartą na głębokim uczeniu, gdzie projektuje i trenuje głębokie sieci neuronowe. Ukończył studia doktoranckie w dziedzinie uczenia maszynowego i inteligencji maszynowej na Uniwersytecie Cambridge.
"Chris Bishop napisał wspaniały podręcznik na temat sieci neuronowych w 1995 roku i ma głęboką wiedzę na temat tej dziedziny i jej podstawowych idei. Jego wieloletnie doświadczenie w wyjaśnianiu sieci neuronowych uczyniło go niezwykle zręcznym w prezentowaniu skomplikowanych pomysłów w najprostszy możliwy sposób i z przyjemnością obserwujemy, jak te umiejętności są stosowane w rewolucyjnych nowych osiągnięciach w tej dziedzinie." -- Geoffrey Hinton
"Wraz z niedawną eksplozją głębokiego uczenia się i sztucznej inteligencji jako tematu badań oraz szybko rosnącym znaczeniem zastosowań sztucznej inteligencji, bardzo potrzebny był nowoczesny podręcznik na ten temat. "Nowy Bishop" po mistrzowsku wypełnia tę lukę, obejmując algorytmy uczenia nadzorowanego i nienadzorowanego, nowoczesne rodziny architektur głębokiego uczenia, a także sposoby zastosowania tego wszystkiego w różnych obszarach zastosowań." - Yann LeCun
"Ta doskonała i bardzo edukacyjna książka zapozna czytelnika z głównymi koncepcjami i postępami w głębokim uczeniu się z solidnym zakotwiczeniem w prawdopodobieństwie. Koncepcje te napędzają obecne przemysłowe systemy sztucznej inteligencji i prawdopodobnie będą stanowić podstawę dalszych postępów w kierunku sztucznej inteligencji ogólnej." -- Yoshua Bengio.
