Erfahren Sie, was im Inneren der Black Box passiert! Um Deep Learning zu nutzen, müssen Sie Daten vorbereiten, das richtige Modell auswählen, es trainieren, die Qualität und Genauigkeit bewerten und die Verarbeitung von Unsicherheit und Variabilität in den Ausgabedaten der implementierten Lösung berücksichtigen. Dieses Buch führt Sie Schritt für Schritt in die grundlegenden mathematischen Konzepte ein, die Ihnen als Datenspezialist nützlich sein werden – Vektorrechnung, lineare Algebra und Bayessche Inferenz, und präsentiert sie aus der Perspektive des Deep Learnings.
Die Autoren erklären die Mathematik, die Theorie und die Prinzipien des Aufbaus von Deep Learning-Modellen und demonstrieren dann die Anwendung der Theorie in der Praxis mit Python-Codefragmenten und detaillierten Kommentaren. In diesem Buch werden Sie den Weg von den Grundlagen der Algebra, Analysis und Statistik bis hin zu modernen Architekturen des Deep Learnings gehen, die das Ergebnis der neuesten Forschungen sind.