Nauka głębokich architektur dla sztucznej inteligencji

Opinie czytelników

Książka zapewnia dogłębne matematyczne podejście do głębokiego uczenia się, co czyni ją cennym źródłem informacji dla ekspertów. Jest jednak krytykowana za to, że jest trudna w czytaniu, zwłaszcza dla nowicjuszy, ze względu na zwięzły styl i szerokie wykorzystanie równań.

⬤ Doskonałe teoretyczne i matematyczne ujęcie głębokiego uczenia
⬤ dokładne omówienie tematu
⬤ obszerne odniesienia do literatury naukowej
⬤ oferuje wgląd w otwarte problemy w tej dziedzinie.

⬤ Trudna do przeczytania dla osób niebędących ekspertami
⬤ brakuje szczegółowych dyskusji
⬤ uważana za zwięzłą z dużym poleganiem na równaniach, co czyni ją nieprzeniknioną dla nowicjuszy.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Learning Deep Architectures for AI

Zawartość książki:

Czy uczenie maszynowe może zapewnić sztuczną inteligencję? Wyniki teoretyczne, inspiracja mózgiem i poznaniem, a także eksperymenty z uczeniem maszynowym sugerują, że aby nauczyć się skomplikowanych funkcji, które mogą reprezentować abstrakcje wysokiego poziomu (np.

w wizji, języku i innych zadaniach na poziomie sztucznej inteligencji), potrzebne są głębokie architektury. Głębokie architektury składają się z wielu poziomów nieliniowych operacji, takich jak w sieciach neuronowych z wieloma ukrytymi warstwami, modelach graficznych z wieloma poziomami ukrytych zmiennych lub w skomplikowanych formułach zdaniowych ponownie wykorzystujących wiele podformuł.

Każdy poziom architektury reprezentuje cechy na innym poziomie abstrakcji, zdefiniowane jako kompozycja cech niższego poziomu. Przeszukiwanie przestrzeni parametrów głębokich architektur jest trudnym zadaniem, ale odkryto nowe algorytmy, a od 2006 roku w społeczności uczenia maszynowego pojawił się nowy podobszar. Algorytmy uczenia się, takie jak te dla Deep Belief Networks i inne powiązane algorytmy uczenia się bez nadzoru, zostały niedawno zaproponowane do trenowania głębokich architektur, przynosząc ekscytujące wyniki i pokonując najnowsze osiągnięcia w niektórych obszarach.

Learning Deep Architectures for AI omawia motywacje i zasady uczenia się algorytmów dla głębokich architektur. Analizując i porównując najnowsze wyniki z różnymi algorytmami uczenia się dla głębokich architektur, zaproponowano i omówiono wyjaśnienia ich sukcesu, podkreślając wyzwania i sugerując kierunki przyszłych badań w tej dziedzinie.