Mély architektúrák tanulása a mesterséges intelligencia számára

Olvasói vélemények

A könyv alapos matematikai feldolgozást nyújt a mélytanulásról, így a szakértők számára is értékes referenciaként szolgál. Ugyanakkor kritika éri, hogy nehéz olvasni, különösen a kezdők számára, a tömör stílusa és az egyenletek kiterjedt használata miatt.

⬤ A mélytanulás kiváló elméleti és matematikai feldolgozása
⬤ a téma alapos lefedése
⬤ kiterjedt hivatkozások a tudományos szakirodalomra
⬤ betekintést nyújt a terület nyitott problémáiba.

⬤ Nehezen olvasható a nem szakértők számára
⬤ hiányoznak a részletes viták
⬤ tömörnek tekinthető, és nagymértékben támaszkodik az egyenletekre, ami a kezdők számára áthatolhatatlanná teszi.

(4 olvasói vélemény alapján)

Eredeti címe:

Learning Deep Architectures for AI

Könyv tartalma:

Képes-e a gépi tanulás megvalósítani a mesterséges intelligenciát? Az elméleti eredmények, az agy és a megismerés inspirációja, valamint a gépi tanulási kísérletek azt sugallják, hogy a magas szintű absztrakciókat reprezentálni képes bonyolult funkciók megtanulásához (pl.

a látás, a nyelv és más mesterséges intelligencia szintű feladatok esetében) mély architektúrákra lenne szükség. A mély architektúrák a nemlineáris műveletek több szintjéből állnak, mint például a sok rejtett réteggel rendelkező neurális hálókban, a látens változók sok szintjével rendelkező grafikus modellekben vagy a sok alformulát újrafelhasználó bonyolult tételes képletekben.

Az architektúra minden egyes szintje az absztrakció különböző szintjén lévő jellemzőket reprezentál, amelyeket alacsonyabb szintű jellemzők kompozíciójaként határoznak meg. A mély architektúrák paraméterterének keresése nehéz feladat, de új algoritmusokat fedeztek fel, és e felfedezések nyomán 2006 óta egy új részterület alakult ki a gépi tanulás közösségében. A közelmúltban olyan tanulási algoritmusokat javasoltak a mély architektúrák képzésére, mint például a Deep Belief Networks és más kapcsolódó felügyelet nélküli tanulási algoritmusok, amelyek izgalmas eredményeket hoztak, és bizonyos területeken felülmúlták a csúcstechnológiát.

A Learning Deep Architectures for AI című könyv a mély architektúrák tanulási algoritmusainak motivációit és alapelveit tárgyalja. A mély architektúrák különböző tanulási algoritmusaival elért legújabb eredmények elemzésével és összehasonlításával a siker magyarázatát javasoljuk és megvitatjuk, kiemelve a kihívásokat és javasolva a jövőbeli kutatások útjait ezen a területen.