Das Buch bietet eine umfassende Behandlung moderner Verfahren im Bereich des Deep Learning, einschließlich tiefer Feedforward-Netze, Regularisierung, Performance-Optimierung sowie Convolutional Neural Networks (CNNs) und rekurrenter neuronaler Netze. Es beleuchtet auch zukunftsweisende Ansätze und Konzepte wie Generative Adversarial Networks, die von Ian Goodfellow entwickelt wurden. Deep Learning, ein Teilbereich des Machine Learning, ermöglicht es Computern, aus Erfahrungen zu lernen. Der Inhalt ist in drei Teile gegliedert: Teil I behandelt die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze und Machine Learning, einschließlich linearer Algebra, Wahrscheinlichkeits- und Informationstheorie, bayesscher Statistik und numerischer Berechnung. Teil II fokussiert auf aktuelle Verfahren und Algorithmen, die in der Praxis eingesetzt werden, wie tiefe Feedforward-Netze, Regularisierung, Optimierung beim Training tiefer Modelle sowie Sequenzmodellierung. Teil III gibt Einblicke in aktuelle Forschungsansätze und innovative Verfahren, darunter lineare Faktorenmodelle, Autoencoder, probabilistische graphische Modelle und tiefe generative Modelle wie Restricted Boltzmann Machines und Variational Autoencoder. Das Buch richtet sich an Studierende, Forscher und Softwareentwickler mit Grundkenntnissen in Mathematik, Informatik und Programmierung, die Deep Learning für eigene Projekte nutzen möchten.
