The Science of Deep Learning
Эта книга представляет собой современное и всестороннее руководство по науке о глубоком обучении, основанное на курсах, которые автор преподавал в ведущих университетах, включая MIT, Колумбийский и Бостонский университеты. Она предназначена для подготовки студентов и специалистов к карьере в области искусственного интеллекта и машинного обучения.
Книга начинается с фундаментальных основ глубокого обучения, включая прямое и обратное распространение ошибки, оптимизацию и регуляризацию. Затем подробно рассматриваются ключевые архитектуры нейронных сетей: сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), графовые нейронные сети (GNN) и трансформеры (Transformers).
Отдельные части посвящены генеративным моделям, таким как генеративно-состязательные сети (GAN), вариационные автоэнкодеры (VAE) и нормализующие потоки (Normalizing Flows), а также глубокому обучению с подкреплением (Reinforcement Learning). Книга охватывает самые современные темы и их практическое применение.
Издание отличается четкими визуализациями, единой системой обозначений и уравнений, что делает сложные концепции более доступными. Дополнительные материалы, включая код и сотни упражнений с решениями, доступны на сопровождающем веб-сайте. Книга также содержит приложения с уравнениями для вычисления градиентов и рекомендациями по научному письму и рецензированию.
