2024-07-22
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Dies ist wahrscheinlich einer der umfassendsten und aktuellsten Überblicke über Deep Learning, die heute verfügbar sind.
Der Bereich Deep Learning boomt und seit Kurzem gibt es beliebte Lernmaterialien.
Kürzlich wurde mit dem neuen Buch „Understanding Deep Learning“ von MIT Press die chinesische Version eingeführt.
Dieses Buch ist in 21 Kapitel unterteilt und behandelt viele Schlüsselkonzepte im Bereich Deep Learning, darunter grundlegende Konstruktion, Transformatorarchitektur, graphisches neuronales Netzwerk GNN, Reinforcement Learning RL, Diffusionsmodell usw. Es ist sowohl für Anfänger als auch für erfahrene Entwickler äußerst wertvoll.
GitHub-Adresse: https://github.com/careywyr/UnderstandingDeepLearning-ZH-CN
Originallink des Buches: https://udlbook.github.io/udlbook/
Derzeit wurde die englische elektronische Version des Buches 344.000 Mal heruntergeladen.
Die physische Version des Buches mit insgesamt 541 Seiten wurde im Dezember letzten Jahres offiziell veröffentlicht, die elektronische Version wurde jedoch kontinuierlich aktualisiert. Derzeit stellt der Autor auf der Website auch 68 Python-Notebook-Übungen zur Verfügung, die den Lesern helfen können, ihr Verständnis durch Programmierpraxis zu vertiefen.
Dieses Buch möchte den Menschen die Grundideen des Deep Learning auf präzise und leicht verständliche Weise näherbringen und soll Lesern, die gerade erst anfangen, helfen, die Prinzipien hinter Deep Learning zu verstehen. Für Leser, die den Inhalt dieses Buches eingehend verstehen möchten, sind nur Mathematikkenntnisse auf Grundniveau erforderlich, um es zu verstehen.
Konkret stellt das Buch in den ersten Teilen Deep-Learning-Modelle vor und erörtert, wie man diese Modelle trainiert, bewertet und wie man ihre Leistung verbessert. In den folgenden Abschnitten führt uns der Autor durch Architekturen, die speziell für Bild-, Text- und Diagrammdaten entwickelt wurden. In den folgenden Kapiteln werden generative Modelle und verstärkendes Lernen untersucht. Das vorletzte Kapitel untersucht diese und andere Aspekte, die noch nicht vollständig verstanden sind. Das letzte Kapitel befasst sich mit der KI-Ethik.
Inhaltsverzeichnis
Kapitel 1 – Einführung Einführung
Kapitel 2 – Überwachtes Lernen Überwachtes Lernen
Kapitel 3 – Flache neuronale Netze. Flache neuronale Netze
Kapitel 4 – Tiefe neuronale Netze Tiefe neuronale Netze
Kapitel 5 – Verlustfunktionen Verlustfunktion
Kapitel 6 – Trainingsmodell für Anpassungsmodelle
Kapitel 7 – Farbverläufe und Initialisierung. Farbverläufe und Initialisierung
Kapitel 8 – Leistungsmessung Leistungsbewertung
Kapitel 9 – Regularisierung Regularisierung
Kapitel 10 – Faltungsnetzwerke Faltungsnetzwerke
Kapitel 11 – Restnetzwerke Restnetzwerke
Kapitel 12 – Transformatoren
Kapitel 13 – Graphische neuronale Netzwerke Graphische neuronale Netzwerke
Kapitel 14 – Unüberwachtes Lernen Unüberwachtes Lernen
Kapitel 15 – Generative gegnerische Netzwerke Generative gegnerische Netzwerke
Kapitel 16 – Normalisierung von Flüssen. Standardisierung von Flüssen
Kapitel 17 – Variations-Autoencoder Variations-Autoencoder
Kapitel 18 – Diffusionsmodelle Diffusionsmodelle
Kapitel 19 – Deep Reinforcement Learning Deep Reinforcement Learning
Kapitel 20 – Warum funktioniert Deep Learning? Warum funktioniert Deep Learning?
Kapitel 21 – Deep Learning und Ethik Deep Learning und Ethik
Über den Autor
Der Autor von „In- Depth Understanding of Deep Learning“ ist Simon JD Prince, Professor für Informatik an der University of Bath in Großbritannien. Er konzentriert sich auf Computer Vision und Computergrafik.
Laut LinkedIn-Informationen ist Simon JD Prince seit mehr als zehn Jahren in Forschungseinrichtungen in der Informatik und KI-Forschung tätig. Beispielsweise war er sieben Jahre lang leitender Wissenschaftler des Softwareentwicklungsunternehmens Anthropics Technology. Im Jahr 2022 wechselte er als emeritierter Professor an die University of Bath.
Simon JD Prince hat mehr als 50 Beiträge auf Top-Konferenzen (CVPR, ICCV, SIGGRAPH usw.) veröffentlicht. Er ist außerdem Autor von Computer Vision: Models, Learning, and Inference.
https://x.com/tuturetom/status/1814689613304508777