Есть такой учебник «Understanding Deep Learning» от Саймона Принса (Simon J.D. Prince), выпущенный издательством MIT Press. И он полностью бесплатный. Но главная фишка даже не в этом.
Что внутри?
Это не просто очередная книга «про нейронки». Это исчерпывающий труд, который проведет вас от самых основ до переднего края Deep Learning. Судите сами по содержанию:
Основы (Главы 1-9): Всё начинается с введения в supervised learning, неглубоких и глубоких нейронных сетей, функций потерь, методов оптимизации (привет, градиентный спуск и Adam), инициализации весов и бэкпропа. Всё, что нужно для крепкого фундамента.
Продвинутые архитектуры (Главы 10-13): Дальше идет разбор ключевых архитектур, на которых сегодня все держится: сверточные сети (CNN), остаточные сети (Residual networks), трансформеры (Transformers) и графовые нейронные сети (GNN).
Генеративные модели (Главы 14-18): Это, пожалуй, самый сок для тех, кто хочет быть в тренде. Автор последовательно разбирает четыре столпа современного Unsupervised Learning:
Generative Adversarial Networks (GANs)
Normalizing Flows
Variational Autoencoders (VAEs)
Diffusion Models
Reinforcement Learning (Глава 19): Целая глава посвящена обучению с подкреплением.
Философия и этика (Главы 20-21): И вишенка на торте — главы, которые заставляют задуматься: «Почему Deep Learning вообще работает?» и «Этика глубокого обучения».
Философия и честный подход
Что подкупает в авторе, так это его честность. Прямо в предисловии он пишет:
Название этой книги — отчасти шутка. На момент написания никто по-настоящему не понимает глубокое обучение.
Этот подход сильно контрастирует с зазывалами от инфобизнеса, которые обещают сделать из вас мидла за полгода. Принс же, наоборот, честно говорит о том, что DL — это сложно, и многие вещи еще до конца не изучены. Такой подход вызывает уважение и доверие.
Главная ценность: 68 Python-ноутбуков
Книга — это хорошо, но теория без практики мертва. Поэтому к книге прилагаются 68 (шестьдесят восемь!) практических ноутбуков в формате ipynb/colab.
Это не просто скрипты с кодом. Это полноценные интерактивные упражнения, которые покрывают ВЕСЬ материал книги. Вы можете не просто читать, а сразу запускать код, экспериментировать с параметрами и видеть, как все работает изнутри.
Начинающим в DS/ML. Если вы уже знаете Python и основы линейной алгебры/матанализа, эта книга станет для вас идеальным проводником в мир DL.
Практикующим специалистам. Отличный способ систематизировать знания, заполнить пробелы и углубиться в современные архитектуры вроде трансформеров и диффузионных моделей.
Студентам и преподавателям. Это готовый учебный курс, который можно брать и использовать.
Кому может быть сложно:
Книга написана на английском. Хотя для специалиста в IT это не должно быть проблемой.
Требуется базовая математическая подготовка. Если вы не знаете, что такое производная или матрица, будет тяжело.
[!INFO]
Cкачать полную PDF-версию книги можно на официальном сайте udlbook.com.
Подписывайся на мой Telegram-канал PythonTalk, чтобы не пропускать другие полезные материалы. Адаптированную версию этой статьи также можно прочитать на моем канале в Дзен.