Перед вами - первая книга о глубоком обучении, написанная на русском языке. Глубокие модели оказались ключом, который подходит ко всем замкам сразу: новые архитектуры и алгоритмы обучения, а также увеличившиеся вычислительные мощности и появившиеся огромные наборы данных, привели к революционным прорывам в компьютерном зрении, распознавании речи, обработке естественного языка и многих других типично "человеческих" задачах машинного обучения. Эти захватывающие идеи, вся история и основные компоненты революции глубокого обучения, а также самые современные достижения этой области, доступно и интересно изложены в книге. Максимум объяснений, минимум кода, серьезный материал о машинном обучении и увлекательное изложение - в этой уникальной работе замечательных российских ученых и интеллектуалов.
Николенко Сергей Игоревич
Кандидат физико-математических наук, российский игрок телеклуба "Что? Где? Когда?", чемпион мира по спортивной версии игры (2015, 2017). Является сотрудником лаборатории математической логики Санкт-Петербургского отделения Математического института РАН, лаборатории интернет-исследований Высшей школы экономики, преподает в Академическом университете РАН. Директор по научным исследованиям (Chief Research Officer) платформы Neuromation.
Василий13.01.2018
Одна из лучших книг на русском языке по решению прикладных задач на фактор графах (Графических моделях или "Графах вычислений" в терминах авторов) - Глубоком обучение. По уровню изложения, в рамках рассматриваемой тематики, полноте и широте охвата сравнима с великолепными книгами Маккея "Information Theory, Inference and Learning Algorithms by D. J. C. MacKay, Cambridge University Press, 2003." и Барбера "David Barber Bayesian Reasoning and Machine Learning Cambridge" при этом содержит (даже закольцовано с. 39-81, с. 438-446) подробное описание Байесового вывода и ряда современных результатов: обучение с подкреплением, вариационный дропаут Ветрова и... Читается легко, при этом не грешит в математическом плане. Снабжена простыми примерами порождения фактор-графов в TensorFlow. Примеры, а так же характер изложения, способствуют раскрытию математической природы глубокого обучения и не превращают книгу в сборник инженерных рецептов или же тяжелую "справочную" монографию. Отличный баланс. Ждем новую книгу с "мостами" к помехоустойчивому кодированию, множественному доступу (CDMA), методам криптоанализа(вероятностные атаки на LWE-задачи методом Гаусса через распространение доверия), методам обработки изображения (Super Resolution) и методам в статистической физики (распределение спиновых моментов, локальных полей).
Алексей18.12.2017
Хочу выразить благодарность авторам за сей труд, это лучшее, что можно найти по теме нейронных сетей на русском языке. Авторы не просто сделали теоретический обзор по теме, но дают действительно погружение в предметную область в том виде, как она есть на текущий момент. Не упущено ни одного аспекта этой быстроменяющейся отрасли знаний. В общем, авторам огромное спасибо, книга действительно стоящая.
