Učenie hlbokých architektúr pre umelú inteligenciu

Recenzie čitateľov

Kniha poskytuje dôkladné matematické spracovanie hlbokého učenia, čo z nej robí cennú referenciu pre odborníkov. Je však kritizovaná za to, že sa ťažko číta, najmä pre začiatočníkov, kvôli jej stručnému štýlu a rozsiahlemu používaniu rovníc.

⬤ Vynikajúce teoretické a matematické spracovanie hlbokého učenia
⬤ dôkladné pokrytie témy
⬤ rozsiahle odkazy na odbornú literatúru
⬤ ponúka pohľad na otvorené problémy v tejto oblasti.

⬤ Ťažké čítanie pre neodborníkov
⬤ chýbajú podrobné diskusie
⬤ považuje sa za stručný s veľkým využitím rovníc, čo ho robí nepriechodným pre nováčikov.

(na základe 4 čitateľských recenzií)

Pôvodný názov:

Learning Deep Architectures for AI

Obsah knihy:

Môže strojové učenie priniesť umelú inteligenciu? Teoretické výsledky, inšpirácia mozgom a poznávaním, ako aj experimenty so strojovým učením naznačujú, že na učenie zložitých funkcií, ktoré môžu reprezentovať abstrakcie na vysokej úrovni (napr.

v oblasti videnia, jazyka a iných úloh na úrovni umelej inteligencie), je potrebná hlboká architektúra. Hlboké architektúry sa skladajú z viacerých úrovní nelineárnych operácií, ako napríklad v neurónových sieťach s mnohými skrytými vrstvami, grafických modeloch s mnohými úrovňami latentných premenných alebo v komplikovaných výrokových formulách, ktoré opätovne využívajú mnoho čiastkových formúl.

Každá úroveň architektúry predstavuje funkcie na inej úrovni abstrakcie, definované ako kompozícia funkcií nižších úrovní. Vyhľadávanie v priestore parametrov hlbokých architektúr je náročná úloha, ale v nadväznosti na tieto objavy boli objavené nové algoritmy a od roku 2006 vznikla v komunite strojového učenia nová podoblasť. Na trénovanie hlbokých architektúr boli nedávno navrhnuté algoritmy učenia, ako napríklad algoritmy pre hlboké vernostné siete a iné príbuzné algoritmy nekontrolovaného učenia, ktoré prinášajú zaujímavé výsledky a v niektorých oblastiach prekonávajú súčasný stav techniky.

V knihe Učenie hlbokých architektúr pre umelú inteligenciu sa rozoberajú motivácie a princípy učiacich algoritmov pre hlboké architektúry. Analýzou a porovnaním najnovších výsledkov s rôznymi algoritmami učenia pre hlboké architektúry sa navrhujú a diskutujú vysvetlenia ich úspechu, pričom sa poukazuje na výzvy a navrhujú sa možnosti budúceho skúmania v tejto oblasti.