Hlboké učenie

Recenzie čitateľov

Kniha poskytuje komplexný úvod do hlbokého učenia so zameraním na jeho matematické základy a princípy. Hoci je chválená pre svoje jasné vysvetlenia a hĺbku, potenciálni čitatelia by mali mať určité matematické základy, aby plne pochopili obsah. Kniha však nie je vhodná pre tých, ktorí hľadajú praktické aplikácie alebo návod na programovanie v oblasti Deep Learning.

⬤ Jasné a stručné vysvetlenia zložitých tém.
⬤ Zameriava sa na matematické základy hlbokého učenia.
⬤ Prístupná čitateľom so základnými znalosťami algebry a niektorých výpočtov.
⬤ Ponúka osviežujúci prístup zdôrazňujúci geometriu a vizuálne reprezentácie.
⬤ Vhodná pre široké publikum vrátane softvérových inžinierov a začiatočníkov.
⬤ Mnohí ju považujú za užitočnú na pochopenie základných pojmov pred ponorením sa do zložitejších materiálov.

⬤ Vyžaduje si dobré znalosti kalkulu a lineárnej algebry, ktoré nemusia byť prístupné pre všetkých čitateľov.
⬤ Kniha nie je určená pre tých, ktorí chcú implementovať algoritmy alebo softvér Deep Learning.
⬤ Niektorí recenzenti ju považovali za náročnú v stredných častiach.
⬤ Je fyzicky menšia, než sa očakávalo, čo môže niektorých čitateľov sklamať.
⬤ Verzia pre Kindle sa údajne ťažko číta kvôli problémom s formátovaním.

(na základe 48 čitateľských recenzií)

Pôvodný názov:

Deep Learning

Obsah knihy:

Prístupný úvod do technológie umelej inteligencie, ktorá umožňuje počítačové videnie, rozpoznávanie reči, strojový preklad a autá bez vodiča.

Hlboké učenie je technológia umelej inteligencie, ktorá umožňuje počítačové videnie, rozpoznávanie reči v mobilných telefónoch, strojový preklad, hry s umelou inteligenciou, autá bez vodiča a ďalšie aplikácie. Keď používame spotrebiteľské produkty od spoločností Google, Microsoft, Facebook, Apple alebo Baidu, často komunikujeme so systémom hlbokého učenia. V tomto zväzku zo série MIT Press Essential Knowledge ponúka informatik John Kelleher prístupný a stručný, ale komplexný úvod do základnej technológie, ktorá je srdcom revolúcie v oblasti umelej inteligencie.

Kelleher vysvetľuje, že hlboké učenie umožňuje prijímať rozhodnutia založené na údajoch tým, že identifikuje a extrahuje vzory z veľkých súborov údajov; vďaka schopnosti učiť sa z komplexných údajov je hlboké učenie ideálne na využitie rýchleho rastu veľkého objemu údajov a výpočtového výkonu. Kelleher tiež vysvetľuje niektoré základné koncepty hlbokého učenia, predstavuje históriu pokroku v tejto oblasti a diskutuje o súčasnom stave techniky. Opisuje najdôležitejšie architektúry hlbokého učenia vrátane autoenkodérov, rekurentných neurónových sietí a sietí s dlhou dobou trvania, ako aj také nedávne novinky, ako sú generatívne adverzné siete a kapsulové siete. Poskytuje tiež komplexný (a zrozumiteľný) úvod do dvoch základných algoritmov v hlbokom učení: gradientného zostupu a spätného šírenia. Na záver sa Kelleher zamýšľa nad budúcnosťou hlbokého učenia - hlavnými trendmi, možným vývojom a významnými výzvami.