Книга Deep Learning. Глубокое погружение

Для тех, кому хочется действительно разобраться в том, что такое машинное обучение (его ещё почему-то любят называть искусственным интеллектом) я настоятельно рекомендую книгу отечественных авторов Николенко, Кадурин, Архангельская: "Глубокое обучение. Погружение в мир нейронных сетей".

Это прекрасная книга для университетского курса по технологиям ИИ. Даже если вы просто попробуете по этой теме найти хоть что-то на русском языке, то обнаружите, что вам хватит пальцев одной руки. Но книжка действительно достойная. По крайней мере меня она впечатлила :)

Актуальное изложение. TensorFlow и Keras

Во-первых, это актуальный срез области на конец 2017 года.

Во-вторых, изложение идёт сверху вниз: от идеи к конкретным архитектурам и реализации. Т.е. авторы действительно хотят донести информацию, а не нафигачить бессмысленного текста.

В третьих, практические примеры приведены на TensorFlow (и Keras) - фреймворке, который фактически становится стандартом для области благодаря Google. Ну и да, я уже был знаком с ним, поэтому для меня это было прям то, что надо. К сожалению, TensorFlow обновился с момента выхода книги, поэтому примеры нуждаются в корректировке кода. В интернете нетрудно найти репозиторий, где ответственные читатели уже это сделали. Искать по названию книги (удивительно, почему это не сделали сами авторы).

И, наконец, что важно было для меня, книга содержит математические выкладки и теорию, причём в объёме ровно необходимом для досконального понимания. В противовес дебильной моде "упрощать тему" в иностранной литературе, когда тебе начинают втирать по производные прибегая к аллегориям. К сожалению, эта палка о двух концах: местами математически корректное изложение "укатывает" россыпями греческого алфавита. (На фотке ниже как раз очень понятное место, если знаком с математическими основами оптимизации, градиентными методами и не падаешь в обморок от упоминания Ньютона, Якоби и Гессе. Авторы в принципе последовательно описали основы оптимизации, но не уверен, что смог бы разобраться, если б не имел образования в этой области).

В нескольких местах я довольно сильно упарывался вниканием в формулы из-за чего прочтение сильно тормозилось. Но тут выяснилось, что даже если пропустить математический вывод, то благодаря весьма разумным комментариям авторов общий уровень понимания прекрасно сохраняется. Так что рекомендую читать книгу в два прохода: сначала ознакомиться с основными идеями, а уж потом зарываться в конкретные темы.

Отмечу что мне особенно понравилось в книге.

TensorFlow и графы вычислений

Изучая TensorFlow самостоятельно, я не осознал глубокой мысли о том, что граф вычислений необходим для взятия производных. Авторы меня заставили об этом задуматься и часть "магии TensorFlow" была развеяна. Это был важный кусочек пазла.

Разные архитектуры глубоких сетей для разных задач

Обычно в книжках бывает сильный упор в задачи одного вида, а на остальных автор "отдыхает". Тут же, авторы смогли удовлетворить моё любопытство практически по всем направлениям. От классического перцептрона до современных конкурирующих нейронных сетей (generative adversarial network, GAN).

Свёрточные сети и Автокодировщики

Честно говоря, если б не знал заранее, что такое свёртки и пулинг, не уверен, что смог бы въехать по авторским описаниям. Но зато архитектуры и идеи применения свёрточных сетей для меня были очень понятны. Ну и MNIST (классический набор изображений для машинного обучения) по книге используется "и в хвост и в гриву".

Заключение

Эта книжка - моё лучшее приобретение в этом году однозначно. Она доставила мне столько удовольствия, заставила встряхнуть багаж университетских знаний. Если бы в моём студенчестве у меня была такая книга, то сейчас бы этот обзор за меня писал искусственный интеллект :))

Книга рекомендуется лицам обладающим математической подготовкой, программистам, студентам технических специальностей...