Geschrieben von drei Experten auf dem Gebiet, ist "Deep Learning" das einzige umfassende Buch zu diesem Thema. Deep Learning ist eine Form des maschinellen Lernens, die es Computern ermöglicht, aus Erfahrungen zu lernen und die Welt in Form einer Hierarchie von Konzepten zu verstehen. Da der Computer Wissen aus Erfahrungen sammelt, ist es nicht notwendig, dass ein menschlicher Computeroperator alle Kenntnisse, die der Computer benötigt, formell angibt. Die Hierarchie der Konzepte ermöglicht es dem Computer, komplizierte Konzepte zu lernen, indem er sie aus einfacheren aufbaut; ein Diagramm dieser Hierarchien wäre viele Schichten tief. Dieses Buch führt in eine breite Palette von Themen im Deep Learning ein. Der Text bietet mathematische und konzeptionelle Grundlagen und behandelt relevante Konzepte der linearen Algebra, Wahrscheinlichkeitstheorie und Informationstheorie, numerische Berechnungen und maschinelles Lernen. Es beschreibt Deep-Learning-Techniken, die von Praktikern in der Industrie verwendet werden, einschliesslich tiefen Feedforward-Netzwerken, Regularisierung, Optimierungsalgorithmen, konvolutionalen Netzwerken, Sequenzmodellierung und praktischer Methodik; und es gibt einen Überblick über Anwendungen wie natürliche Sprachverarbeitung, Spracherkennung, Computer Vision, Online-Empfehlungssysteme, Bioinformatik und Videospiele. Schliesslich bietet das Buch Forschungsperspektiven und behandelt theoretische Themen wie lineare Faktormodelle, Autoencoder, Repräsentationslernen, strukturierte probabilistische Modelle, Monte-Carlo-Methoden, die Partitionierungsfunktion, approximative Inferenz und tiefe generative Modelle. "Deep Learning" kann von Bachelor- oder Masterstudenten genutzt werden, die Karrieren in der Industrie oder Forschung anstreben, sowie von Softwareingenieuren, die beginnen möchten, Deep Learning in ihren Produkten oder Plattformen zu verwenden. Eine Website bietet zusätzliches Material für Leser und Dozenten.