Deep Learning ist eine Form des Machine Learnings, die Computer in die Lage versetzt, aus Erfahrungen zu lernen und so die Welt als miteinander verbundene Ansammlung von hierarchischen Konzepten zu begreifen. Da der Computer Wissen aus der eigenen Erfahrung sammelt, muss kein Mensch mehr alle benötigten Kenntnisse formal eingeben. Die Hierarchie der Konzepte ermöglicht dem Computer das Erlernen komplexer Konzepte, indem er sie aus einfacheren Bausteinen zusammensetzt. Dabei besteht ein Graph dieser Hierarchien aus vielen Schichten. Dieses Buch behandelt eine Vielzahl von Themen rund um das Deep Learning.

Es vermittelt dazu mathematische sowie begriffliche Hintergrundinformationen und stellt relevante Konzepte aus den Bereichen lineare Algebra, Wahrscheinlichkeitstheorie und Informationstheorie, numerische Berechnung und Machine Learning vor. Neben einer Beschreibung der in der Praxis genutzten Deep-Learning-Techniken - darunter tiefe Feedforward-Netze, Regularisierung, Optimierungsalgorithmen, konvolutionale Netze, Sequenzmodellierung und praxisorientierte Methodologie - werden auch Anwendungen wie Natural Language Processing, Spracherkennung, Computer Vision, Online-Empfehlungssysteme, Bioinformatik und Videospiele betrachtet. Außerdem bietet das Buch Einblicke in die Forschung und befasst sich dazu mit theoretischen Aspekten wie Linearfaktormodellen, Autoencodern, Representation Learning, strukturierten Wahrscheinlichkeitsmodellen, dem Monte-Carlo-Verfahren, der Partitionsfunktion und der näherungsweisen Inferenz.

Deep Learning eignet sich für alle, die während des Bachelor- oder Master-Studiums ihre Laufbahn in Forschung oder Wirtschaft planen, aber auch für Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Die Website zum Buch bietet ergänzende Materialien für Leser und Lehrkräfte.