“Written by three experts in the field, Deep Learning is the only comprehensive book on the subject.”
—Elon Musk, cochair of OpenAI; cofounder and CEO of Tesla and SpaceX

Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning.

The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology; and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and videogames. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models.

Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors.

• Mathematische Grundlagen für Machine und Deep Learning


• Umfassende Behandlung zeitgemäßer Verfahren: tiefe Feedforward-Netze, Regularisierung, Performance-Optimierung sowie CNNs, Rekurrente und Rekursive Neuronale Netze


• Zukunftsweisende Deep-Learning-Ansätze sowie von Ian Goodfellow neu entwickelte Konzepte wie Generative Adversarial Networks

Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen:

In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning.

In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt.

In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf.

Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.

Aus dem Inhalt:

Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning

• Lineare Algebra
• Wahrscheinlichkeits- und Informationstheorie
• Bayessche Statistik
• Numerische Berechnung

Teil II: Deep-Learning-Verfahren

• Tiefe Feedforward-Netze
• Regularisierung
• Optimierung beim Trainieren tiefer Modelle
• Convolutional Neural Networks
• Sequenzmodellierung für Rekurrente und Rekursive Netze
• Praxisorientierte Methodologie
• Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher Sprache

Teil III: Deep-Learning-Forschung

• Lineare Faktorenmodelle
• Autoencoder
• Representation Learning
• Probabilistische graphische Modelle
• Monte-Carlo-Verfahren
• Die Partitionsfunktion
• Approximative Inferenz
• Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.

Stimmen zum Buch:

Über die Autoren:

Ian Goodfellow ist Informatiker und Research Scientist bei Google Brain und arbeitet dort an der Entwicklung von Deep Learning.

Le livre de chevet de Elon Musk.

Écrit par trois experts dans le domaine, Deep Learning est le seul livre complet sur le sujet. Il fournit une perspective générale et des préliminaires mathématiques indispensables aux ingénieurs en logiciel et aux étudiants qui entrent sur le terrain, et sert de référence aux autorités. Elon Musk, cofondateur et PDG de Tesla et SpaceXstudents



L'apprentissage profond (ou deep learning) est un apprentissage automatique qui permet à l'ordinateur d'apprendre par l'expérience et de comprendre le monde en termes de hiérarchie de concepts. Parce que l'ordinateur recueille des connaissances à partir de l'expérience, il n'est pas nécessaire qu'un opérateur humain spécifie formellement toutes les connaissances dont l'ordinateur a besoin. Cet ouvrage présente un large éventail de sujets d'apprentissage profond.



Le texte offre un contexte mathématique et conceptuel, théorie des probabilités et théorie de l'information, calcul numérique et apprentissage automatique. Il examine des applications telles que le traitement du langage naturel, la reconnaissance vocale, la vision par ordinateur, les systèmes de recommandation en ligne, la bioinformatique et les jeux vidéo.



Deep Learning, sorti fin 2016 aux éditions MIT Press se révèle fondamental pour éclairer de nombreux lecteurs au paradigme informatique et mathématique de l'apprentissage profond (ou deep learning), qui constitue aujourd'hui l'une des composantes fondamentales des intelligences artificielles (IA) dites statistiques et néo-connexionnistes. Son caractère pédagogique en fait un ouvrage de référence dans le monde pour les étudiants, professeurs, ingénieurs, chercheurs de tout domaine et fait l'objet de nombreuses demandes en France, pays épris de tradition mathématique, et dans de nombreux pays et nations francophones accueillant des laboratoires de pointe en intelligence artificielle (tel le Québec).



La traduction opérée dans un premier temps par l'intelligence artificielle a été ensuite validée grâce au concours de chercheurs-traducteurs reconnus dans le domaine de l'apprentissage.