Apprendimento profondo

Recensioni dei lettori

Il libro “Deep Learning” di Ian Goodfellow, Yoshua Bengio e Aaron Courville è apprezzato per la sua copertura completa di argomenti avanzati nell'ambito dell'apprendimento profondo, fornendo una prospettiva unica e approfondimenti sul campo. Tuttavia, è stato criticato per la scarsa qualità di stampa, la scarsa chiarezza del pubblico e la densa presentazione matematica, che lo rende meno accessibile ai principianti.

⬤ Copertura completa degli argomenti di deep learning e delle ricerche più recenti.
⬤ Spiegazioni eccellenti di concetti avanzati.
⬤ Inclusione di fondamenti teorici accanto a considerazioni pratiche.
⬤ Scritto dai maggiori esperti del settore.
⬤ Struttura ben organizzata, suddivisa in concetti matematici, tecniche e applicazioni.

⬤ La notazione matematica densa può rendere i concetti semplici difficili da afferrare.
⬤ Presuppone un solido background in algebra lineare e calcolo, il che può allontanare i principianti.
⬤ Alcuni lettori trovano lo stile di scrittura asciutto e poco pedagogico.
⬤ La qualità della stampa e della rilegatura di alcune edizioni è scadente.
⬤ Non è chiaro il pubblico a cui è destinato; potrebbe non essere efficace per i professionisti che cercano applicazioni pratiche.

(basato su 673 recensioni dei lettori)

Titolo originale:

Deep Learning

Contenuto del libro:

Un'introduzione a un'ampia gamma di argomenti sul deep learning, che copre il background matematico e concettuale, le tecniche di deep learning utilizzate nell'industria e le prospettive di ricerca.

“Scritto da tre esperti del settore, Deep Learning è l'unico libro completo sull'argomento”.

--Elon Musk, co-presidente di OpenAI; co-fondatore e CEO di Tesla e SpaceX.

L'apprendimento profondo è una forma di apprendimento automatico che consente ai computer di imparare dall'esperienza e di comprendere il mondo in termini di gerarchia di concetti. Poiché il computer raccoglie le conoscenze dall'esperienza, non è necessario che un operatore umano specifichi formalmente tutte le conoscenze di cui il computer ha bisogno. La gerarchia di concetti permette al computer di apprendere concetti complicati costruendoli a partire da quelli più semplici; un grafico di queste gerarchie sarebbe profondo molti strati. Questo libro introduce un'ampia gamma di argomenti sul deep learning.

Il testo offre un background matematico e concettuale, coprendo concetti rilevanti di algebra lineare, teoria della probabilità e dell'informazione, calcolo numerico e apprendimento automatico. Descrive le tecniche di deep learning utilizzate dagli operatori del settore, tra cui le reti feedforward profonde, la regolarizzazione, gli algoritmi di ottimizzazione, le reti convoluzionali, la modellazione delle sequenze e la metodologia pratica; esamina inoltre applicazioni quali l'elaborazione del linguaggio naturale, il riconoscimento vocale, la computer vision, i sistemi di raccomandazione online, la bioinformatica e i videogiochi. Infine, il libro offre prospettive di ricerca, coprendo argomenti teorici come i modelli fattoriali lineari, gli autoencoder, l'apprendimento delle rappresentazioni, i modelli probabilistici strutturati, i metodi Monte Carlo, la funzione di partizione, l'inferenza approssimata e i modelli generativi profondi.

Deep Learning può essere utilizzato da studenti universitari o laureati che intendono intraprendere una carriera nell'industria o nella ricerca, e da ingegneri del software che vogliono iniziare a utilizzare il deep learning nei loro prodotti o piattaforme. Un sito web offre materiale supplementare sia per i lettori che per gli insegnanti.