Deep Learning (Série « Adaptive Computation and Machine Learning »)

Une introduction à un large éventail de sujets liés à l'apprentissage profond, couvrant le contexte mathématique et conceptuel, les techniques d'apprentissage profond utilisées dans l'industrie et les perspectives de recherche. « Écrit par trois experts dans le domaine, Deep Learning est le seul ouvrage complet sur le sujet. »
—Elon Musk, coprésident d'OpenAI; cofondateur et PDG de Tesla et SpaceX

L'apprentissage profond est une forme d'apprentissage automatique qui permet aux ordinateurs d'apprendre de l'expérience et de comprendre le monde en termes de hiérarchie de concepts. Comme l'ordinateur acquiert des connaissances par l'expérience, il n'est pas nécessaire qu'un opérateur humain spécifie formellement toutes les connaissances dont l'ordinateur a besoin. La hiérarchie des concepts permet à l'ordinateur d'apprendre des concepts compliqués en les construisant à partir de concepts plus simples; un graphe de ces hiérarchies serait de plusieurs couches de profondeur. Ce livre présente un large éventail de sujets liés à l'apprentissage profond.

Le texte offre un contexte mathématique et conceptuel, couvrant les concepts pertinents en algèbre linéaire, en théorie des probabilités et en théorie de l'information, en calcul numérique et en apprentissage automatique. Il décrit les techniques d'apprentissage profond utilisées par les praticiens de l'industrie, y compris les réseaux de neurones profonds à propagation avant, la régularisation, les algorithmes d'optimisation, les réseaux convolutifs, la modélisation de séquences et la méthodologie pratique; et il examine des applications telles que le traitement du langage naturel, la reconnaissance vocale, la vision par ordinateur, les systèmes de recommandation en ligne, la bioinformatique et les jeux vidéo. Enfin, le livre offre des perspectives de recherche, couvrant des sujets théoriques tels que les modèles de facteurs linéaires, les autoencodeurs, l'apprentissage de représentations, les modèles probabilistes structurés, les méthodes de Monte Carlo, la fonction de partition, l'inférence approximative et les modèles génératifs profonds.

Deep Learning peut être utilisé par les étudiants de premier cycle ou des cycles supérieurs qui envisagent une carrière dans l'industrie ou la recherche, et par les ingénieurs logiciels qui souhaitent commencer à utiliser l'apprentissage profond dans leurs produits ou plateformes. Un site web propose du matériel supplémentaire pour les lecteurs et les instructeurs.