Das Deep-Learning-Buch von Shelly Sheynin ist ein kostenloses, frei zugängliches PDF auf GitHub, das Deep Learning von den Kernprinzipien bis zu modernen Computer-Vision-Techniken durchläuft. Es beginnt mit den Grundlagen – Datenvorverarbeitung, Gewichtsinitialisierung, Aktivierungs- und Verlustfunktionen, Optimierung und Regularisierung – bevor es zu convolutional neural networks und den Bausteinen übergeht, die heutige Vision-Systeme antreiben.
Die späteren Abschnitte decken eine breite Palette angewandter Themen ab, darunter Objekterkennung, semantische Segmentierung, Super-Resolution, Stilübertragung und Bildinpainting, gefolgt von fortgeschrittenerem Material zu generativen Modellen, Denoising, selbstüberwachtem Lernen, Vision Transformers, optischer Zeichenerkennung (OCR) und multimodalem Lernen.
Für wen es gedacht ist
Diese Ressource eignet sich am besten für Lernende, die bereits über praktische Kenntnisse der Grundlagen des maschinellen Lernens verfügen und eine einzige, gut organisierte Referenz suchen, die die grundlegende Deep-Learning-Theorie mit praktischen, modernsten Computer-Vision-Architekturen verbindet. Sie eignet sich gut als ergänzende Lektüre neben einem Kurs oder als Nachschlagewerk zum Selbststudium für Ingenieure und Studierende, die ihr Verständnis neuronaler Netze vertiefen möchten.
Da es als einzelnes PDF auf GitHub verteilt wird, ist es einfach herunterzuladen und offline zu lesen, was es zu einer praktischen Ergänzung für eine persönliche Deep-Learning-Bibliothek macht.