Deep learning / Ian Goodfellow, Yoshua Bengio, Aaron Courville.

Incluye índice y bibliografía.

I. Applied math and machine learning basics ; 2. Linear algebra ; 3. Probability and information theory ; 4. Numerical computation ; 5. Machine learning basics ; II. Deep networks: modern practices ; 6. deep feedforward netwrks ; 7. Regularization for deep learning ; 8. Optimization for training deep models ; 9. Convulational networks ; 10. Sequence modeling: recurrent and recursive nets ; 11. Practical methodology ; 12. Applications ; III. Deep learning research ; 13. Linear factor models ; 14. Autoencoders ; 15. Representation learning ; 16. Strctured probabilistic models for deep learning ; 17. Monte carlo methods ; 18. Confronting the partition fuction ; 19. Approximate inference ; 20. Deep generative models. .

El texto ofrece antecedentes matemáticos y conceptuales, cubriendo conceptos relevantes en álgebra lineal, teoría de probabilidad y teoría de la información, computación numérica y aprendizaje de máquina. Describe las técnicas de aprendizaje profundo utilizadas por los profesionales de la industria, incluyendo redes de feedforward profundas, regularización, algoritmos de optimización, redes convolucionales, modelado de secuencias y metodología práctica; Y examina aplicaciones tales como procesamiento del lenguaje natural, reconocimiento de voz, visión por computadora, sistemas de recomendación en línea, bioinformática y videojuegos. Finalmente, el libro ofrece perspectivas de investigación, que abarcan temas teóricos como modelos de factores lineales, autoencoders, aprendizaje de representación, modelos probabilísticos estructurados, métodos de Monte Carlo, la función de partición, inferencia aproximada y modelos generativos profundos.