Apprendimento profondo: Fondamenti e concetti

Recensioni dei lettori

Questo libro è considerato una delle migliori risorse per la comprensione del deep learning e dell'apprendimento automatico, in quanto fornisce spiegazioni chiare e accessibili insieme a rigorose basi matematiche. Pur essendo ben strutturato e completo, ha ricevuto critiche per le imprecisioni nei dettagli matematici e per le spiegazioni insufficienti in alcune sezioni sull'apprendimento profondo.

⬤ Il miglior libro sull'apprendimento profondo secondo più recensori.
⬤ Spiegazioni accessibili e intuitive, pur mantenendo il rigore matematico.
⬤ Copre un'ampia gamma di argomenti, compresi i progressi recenti come i trasformatori e i modelli di diffusione.
⬤ Stampa e rilegatura di alta qualità nelle nuove edizioni.
⬤ Ottimo sia per i principianti che per i praticanti esperti.
⬤ Ben organizzato e pedagogicamente efficace.

⬤ I capitoli specifici sulle reti convoluzionali e sui trasformatori sono spiegati male e mancano di profondità.
⬤ Alcuni errori matematici segnalati dai lettori, che inducono a dubitare dell'accuratezza degli argomenti più complessi.
⬤ Inizialmente sono stati segnalati problemi di qualità di stampa, anche se migliorati nelle nuove edizioni.

(basato su 46 recensioni dei lettori)

Titolo originale:

Deep Learning: Foundations and Concepts

Contenuto del libro:

Questo libro offre un'introduzione completa alle idee centrali che stanno alla base del deep learning. Si rivolge sia ai neofiti dell'apprendimento automatico sia a chi ha già esperienza nel campo. Coprendo i concetti chiave relativi alle architetture e alle tecniche contemporanee, questo libro essenziale fornisce ai lettori una solida base per potenziali specializzazioni future. Il campo dell'apprendimento profondo è in rapida evoluzione e quindi questo libro si concentra sulle idee che probabilmente resisteranno alla prova del tempo.

Il libro è organizzato in numerosi capitoli, ognuno dei quali esplora un argomento distinto, e la narrazione segue una progressione lineare, con ogni capitolo che si basa sui contenuti dei precedenti. Questa struttura si adatta bene all'insegnamento di un corso di apprendimento automatico di due semestri per studenti universitari o post-universitari, pur rimanendo ugualmente rilevante per coloro che sono impegnati nella ricerca attiva o nello studio autonomo.

Per comprendere appieno l'apprendimento automatico è necessaria una certa preparazione matematica, per cui il libro comprende un'introduzione autonoma alla teoria della probabilità. Tuttavia, l'obiettivo del libro è trasmettere una chiara comprensione delle idee, ponendo l'accento sul valore pratico delle tecniche nel mondo reale piuttosto che sulla teoria astratta. I concetti complessi sono quindi presentati da più prospettive complementari, tra cui descrizioni testuali, diagrammi, formule matematiche e pseudo-codice.

Chris Bishop è Technical Fellow di Microsoft e direttore di Microsoft Research AI4Science. È Fellow del Darwin College di Cambridge, Fellow della Royal Academy of Engineering e Fellow della Royal Society.

Hugh Bishop è scienziato applicato presso Wayve, un'azienda di Londra che si occupa di deep learning per la guida autonoma, dove progetta e addestra reti neurali profonde. Ha conseguito il dottorato di ricerca in Machine Learning e Machine Intelligence presso l'Università di Cambridge.

"Chris Bishop ha scritto nel 1995 un formidabile libro di testo sulle reti neurali e ha una profonda conoscenza del campo e delle sue idee fondamentali. I suoi molti anni di esperienza nella spiegazione delle reti neurali lo hanno reso estremamente abile nel presentare idee complicate nel modo più semplice possibile ed è un piacere vedere queste abilità applicate ai nuovi e rivoluzionari sviluppi del campo." -- Geoffrey Hinton

"Con la recente esplosione dell'apprendimento profondo e dell'IA come argomento di ricerca e la rapida crescita dell'importanza delle applicazioni dell'IA, era assolutamente necessario un libro di testo moderno sull'argomento. Il "Nuovo Vescovo" colma magistralmente questa lacuna, trattando gli algoritmi per l'apprendimento supervisionato e non supervisionato, le moderne famiglie di architetture di deep learning e le modalità di applicazione di tutto ciò a diverse aree applicative." - Yann LeCun

"Questo libro eccellente e molto istruttivo porterà il lettore ad aggiornarsi sui principali concetti e progressi del deep learning con un solido ancoraggio alla probabilità. Questi concetti sono alla base degli attuali sistemi industriali di IA e probabilmente costituiranno la base di ulteriori progressi verso l'intelligenza artificiale generale." -- Yoshua Bengio