---

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.

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.

---

"Ian Goodfellow ist der Shootingstar der Künstlichen Intelligenz." Alexander Armbruster, Frankfurter Allgemeine Zeitung, 13.07.2017)

"Geschrieben von drei Experten des Fachgebiets ist dieses Buch das einzige umfassende Buch zum Thema." (Elon Musk, Cochair von OpenAI, Cofounder und CEO von Tesla und SpaceX)

"Als Leser darf man eine ausführliche Wissenssammlung zum Thema Künstliche Intelligent erwarten." (Developer-Blog, 05/2019)

---

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.

---