Dieser Online-Shop verwendet Cookies für ein optimales Einkaufserlebnis. Dabei werden beispielsweise die Session-Informationen oder die Spracheinstellung auf Ihrem Rechner gespeichert. Ohne Cookies ist der Funktionsumfang des Online-Shops eingeschränkt. Sind Sie damit nicht einverstanden, klicken Sie bitte hier.

Deep Learning

ISBN: 9783958457003

von Ian Goodfellow, Yoshua Bengio und Aaron Courville
912 Seiten

Sofort lieferbar

Das umfassende Handbuch - Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze

  • 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:

»Deep Learning ist – verfasst von drei Experten dieses Fachgebiets – das einzige umfassende Buch zu diesem Thema.«
– Elon Musk, Co-Chair von OpenAI; Mitgründer und CEO von Tesla und SpaceX


Über die Autoren:
Ian Goodfellow ist Informatiker und Research Scientist bei Google Brain und arbeitet dort an der Entwicklung von Deep Learning. Er ist der Erfinder der Generative Adversarial Networks, die Yann LeCun, Facebooks Leiter für Künstliche-Intelligenz-Forschung, als „die coolste Erfindung im Deep Learning der letzten 20 Jahre“ beschrieben hat. Die FAZ nannte Goodfellow den "Shooting Star der Künstlichen Intelligenz", die Wired einen der wichtigsten Forscher auf diesem Gebiet.
Yoshua Bengio ist Professor of Computer Science an der Université de Montréal.
Aaron Courville ist Assistant Professor of Computer Science an der Université de Montréal.