Beschreibung

Beschreibung / Abstract

Inhaltsverzeichnis

• BEGINN
• Impressum
• Website zum Buch
• Danksagung
• Über die Fachkorrektoren zur deutschen Ausgabe
• Notation
• Einleitung
• Für wen ist dieses Buch gedacht?
• Historische Entwicklungen im Deep Learning
• I Angewandte Mathematik und Grundlagen für das Machine Learning
• Lineare Algebra
• Wahrscheinlichkeits- und Informationstheorie
• Numerische Berechnung
• Grundlagen für das Machine Learning
• II Tiefe Netze: Zeitgemäße Verfahren
• Tiefe Feedforward-Netze
• Regularisierung
• Optimierung beim Trainieren von tiefen Modellen
• CNNs
• Sequenzmodellierung: RNNs und rekursive Netze
• Praxisorientierte Methodologie
• Anwendungen
• III Deep-Learning-Forschung
• Lineare Faktorenmodelle
• Autoencoder
• Representation Learning
• Strukturierte probabilistische Modelle für Deep Learning
• Monte-Carlo-Verfahren
• Die Partitionsfunktion
• Approximative Inferenz
• Tiefe generative Modelle
• Literaturverzeichnis
• Abkürzungsverzeichnis
• Index