Ένα εισαγωγικό βιβλίο για ένα ευρύ φάσμα θεμάτων της βαθιάς μάθησης, το οποίο καλύπτει το μαθηματικό και εννοιολογικό υπόβαθρο, τις τεχνικές βαθιάς μάθησης που χρησιμοποιούνται στον κλάδο και τις ερευνητικές προοπτικές. Η βαθιά μάθηση (deep learning) είναι μια μορφή μηχανικής μάθησης που επιτρέπει στους υπολογιστές να μαθαίνουν από την εμπειρία και να κατανοούν τον κόσμο ως μια ιεραρχία εννοιών. Επειδή ο υπολογιστής συσσωρεύει γνώση από την εμπειρία, δεν υπάρχει ανάγκη να καθορίζονται σχολαστικά, από έναν άνθρωπο χειριστή, όλες οι γνώσεις που χρειάζεται ο υπολογιστής. Η ιεραρχία εννοιών επιτρέπει στον υπολογιστή να μαθαίνει περίπλοκες έννοιες κατασκευάζοντάς τες από απλούστερες –ένας γράφος τέτοιων ιεραρχιών θα είχε βάθος πολλών επιπέδων. Το βιβλίο αυτό παρουσιάζει ένα ευρύ φάσμα θεμάτων στη βαθιά μάθηση. Το βιβλίο αυτό μπορεί να χρησιμοποιηθεί από προπτυχιακούς ή μεταπτυχιακούς φοιτητές που θέλουν να ακολουθήσουν είτε επαγγελματική είτε ερευνητική σταδιοδρομία, καθώς και από μηχανικούς λογισμικού που θέλουν να αρχίσουν να χρησιμοποιούν τη βαθιά μάθηση στα προϊόντα ή τις πλατφόρμες τους. Συνοδεύεται από έναν ιστότοπο με συμπληρωματικό υλικό τόσο για αναγνώστες όσο και για καθηγητές. Περιεχόμενα: Βασικές έννοιες εφαρμοσμένων μαθηματικών καιμηχανικής μάθησης Γραμμική άλγεβρα Θεωρία πιθανοτήτων και πληροφοριών Αριθμητικοί υπολογισμοί Βασικές έννοιες μηχανικής μάθησης Βαθιά δίκτυα πρόσθιας τροφοδότησης Ομαλοποίηση για βαθιά μάθηση Βελτιστοποίηση για την εκπαίδευση βαθιών μοντέλων Συνελικτικά δίκτυα Πρακτική μεθοδολογίας Εφαρμογές Γραμμικά παραγοντικά μοντέλα Αυτοκωδικοποιητές Μάθηση αναπαραστάσεων Δομημένα πιθανοτικά μοντέλα για βαθιά μάθηση Μέθοδοι Monte Carlo Αντιμετώπιση της συνάρτησης διαμέρισης Προσεγγιστικός συμπερασμός Βαθιά παραγωγικά μοντέλα