新书先读:基于 Python 的概率深度学习
机器学习与数学
共 748字,需浏览 2分钟
·
2021-12-28 23:26
概率深度学习将概率论与神经网络结合起来,学习针对不同数据类型的正确分布来提高网络的性能,并发现可以表述不确定性的贝叶斯变体以提高准确性。
本书使用流行的深度学习框架,让你轻松上手,并提供了易于应用的实战代码。
1概要
本书主要讲述基于 Python,Keras 和 TensorFlow 的概率框架的实用技术。你将学习构建高性能的深度学习应用程序,该应用程序可以可靠地处理现实数据的噪声和不确定性。
为什么要研究概率深度学习呢?现实世界充满嘈杂和不确定性,概率深度学习模型捕获了这种噪声和不确定性,并将其融入了实际场景。这些技术对于自动驾驶汽车和科学测试至关重要,可帮助深度学习工程师评估结果的准确性,发现错误并增进他们对算法工作原理的理解。
2作者
OliverDürr 是德国康斯坦茨应用科技大学的教授。 Beate Sick 在 ZHAW 担任应用统计主席,并在苏黎世大学担任研究员和讲师。 Elvis Murina 是一位数据科学家。
3目录
第 1 部分 - 深度学习的基础
1 概率深度学习导论
2 神经网络架构
3 曲线拟合原理
第 2 部分 - 概率深度学习模型的最大似然方法
4 用似然法构建损失函数
5 基于 TensorFlow 的概率深度学习模型
6 概率深度学习模型实战
第 3 部分 - 概率深度学习模型的贝叶斯方法
7 贝叶斯学习
8 贝叶斯神经网络
电子书 pdf 免费下载链接:
https://cowtransfer.com/s/ecc9a1ddbc784f
评论