Hluboké učení

Recenze čtenářů

Kniha poskytuje komplexní úvod do hlubokého učení a zaměřuje se na jeho matematické základy a principy. Přestože je chválena pro své jasné vysvětlení a hloubku, potenciální čtenáři by měli mít určité matematické základy, aby plně pochopili obsah. Kniha však není vhodná pro ty, kteří hledají praktické aplikace nebo návod na programování v oblasti Deep Learning.

⬤ Jasné a stručné vysvětlení složitých témat.
⬤ Zaměřuje se na matematické základy hlubokého učení.
⬤ Přístupná čtenářům se základními znalostmi algebry a některých počtů.
⬤ Nabízí osvěžující přístup s důrazem na geometrii a vizuální znázornění.
⬤ Vhodné pro široké publikum, včetně softwarových inženýrů a začátečníků.
⬤ Mnozí ji považují za užitečnou pro pochopení základních pojmů předtím, než se ponoří do složitějších materiálů.

⬤ Vyžaduje dobrou znalost kalkulu a lineární algebry, což nemusí být přístupné všem čtenářům.
⬤ Kniha není určena těm, kteří chtějí implementovat algoritmy nebo software pro hluboké učení.
⬤ Někteří recenzenti ji považovali za náročnou v prostředních částech.
⬤ Je fyzicky menší, než se očekávalo, což může některé čtenáře zklamat.
⬤ Verze pro Kindle se údajně špatně čte kvůli problémům s formátováním.

(na základě 48 hodnocení čtenářů)

Původní název:

Deep Learning

Obsah knihy:

Přístupný úvod do technologie umělé inteligence, která umožňuje počítačové vidění, rozpoznávání řeči, strojový překlad a auta bez řidiče.

Hluboké učení je technologie umělé inteligence, která umožňuje počítačové vidění, rozpoznávání řeči v mobilních telefonech, strojový překlad, hry s umělou inteligencí, auta bez řidiče a další aplikace. Když používáme spotřebitelské produkty společností Google, Microsoft, Facebook, Apple nebo Baidu, často komunikujeme se systémem hlubokého učení. V tomto svazku z řady Essential Knowledge nakladatelství MIT Press nabízí informatik John Kelleher přístupný a stručný, ale komplexní úvod do základní technologie, která je jádrem revoluce v oblasti umělé inteligence.

Kelleher vysvětluje, že hluboké učení umožňuje přijímat rozhodnutí založená na datech tím, že identifikuje a extrahuje vzorce z velkých souborů dat; díky schopnosti učit se z komplexních dat je hluboké učení ideální pro využití rychlého růstu velkých dat a výpočetního výkonu. Kelleher také vysvětluje některé základní koncepty hlubokého učení, představuje historii pokroku v této oblasti a diskutuje o současném stavu techniky. Popisuje nejdůležitější architektury hlubokého učení, včetně autoenkodérů, rekurentních neuronových sítí a sítí s dlouhou dobou trvání, a také nejnovější vývojové trendy, jako jsou generativní adverzní sítě a kapslové sítě. Poskytuje také komplexní (a srozumitelný) úvod do dvou základních algoritmů hlubokého učení: gradientního sestupu a zpětného šíření. Nakonec se Kelleher zamýšlí nad budoucností hlubokého učení - hlavními trendy, možným vývojem a významnými výzvami.