作者簡介

Ian Goodfellow，榖歌公司(Google) 的研究科學傢，2014 年濛特利爾大學機器學習博士。他的研究興趣涵蓋大多數深度學習主題，特彆是生成模型以及機器學習的安全和隱私。Ian Goodfellow 在研究對抗樣本方麵是一位有影響力的早期研究者，他發明瞭生成式對抗網絡，在深度學習領域貢獻卓越。

Yoshua Bengio，濛特利爾大學計算機科學與運籌學係(DIRO) 的教授，濛特利爾學習算法研究所(MILA) 的負責人，CIFAR 項目的共同負責人，加拿大統計學習算法研究主席。Yoshua Bengio 的主要研究目標是瞭解産生智力的學習原則。他還教授“機器學習”研究生課程(IFT6266)，並培養瞭一大批研究生和博士後。

Aaron Courville，濛特利爾大學計算機科學與運籌學係的助理教授，也是LISA 實驗室的成員。目前他的研究興趣集中在發展深度學習模型和方法，特彆是開發概率模型和新穎的推斷方法。Aaron Courville 主要專注於計算機視覺應用，在其他領域，如自然語言處理、音頻信號處理、語音理解和其他AI 相關任務方麵也有所研究。

中文版審校者簡介

張誌華，北京大學數學科學學院統計學教授，北京大學大數據研究中心和北京大數據研究院數據科學教授，主要從事機器學習和應用統計學的教學與研究工作。

譯者簡介

趙申劍，上海交通大學計算機係碩士研究生，研究方嚮為數值優化和自然語言處理。

黎彧君，上海交通大學計算機係博士研究生，研究方嚮為數值優化和強化學習。

符天凡，上海交通大學計算機係碩士研究生，研究方嚮為貝葉斯推斷。

李凱，上海交通大學計算機係博士研究生，研究方嚮為博弈論和強化學習。

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.