题名:
概率深度学习   / (德) 奥利弗·杜尔, 贝亚特·西克, 埃尔维斯·穆里纳著 , 崔亚奇, 唐田田, 但波译
ISBN:
978-7-302-59865-7 价格： CNY98.00
语种:
chi
载体形态:
xiv, 336页 图 22cm
出版发行:
出版地： 北京 出版社： 清华大学出版社 出版日期： 2022.3
内容提要:
本书是关于神经网络原理的实践指南, 引导读者学习使用不同数据类型的正确分布来提升网络性能, 同时推导贝叶斯变体, 以通过表达模型自身的不确定性来提高准确性。本书采用了主流的实现框架, 提供了易于应用的代码, 让读者更加注重实际应用。主要内容是探索深度学习的最大似然原理和统计学基础, 发现能输出各种可能结果的概率模型, 学习使用标准化流来建模和生成复杂分布, 使用贝叶斯神经网络获取模型中的不确定性。 
主题词:
机器学习  
中图分类法:
TP181 版次： 5
其它题名:
使用Python、Keras和TensorFlow Probability
主要责任者:
杜尔 著
主要责任者:
西克 著
主要责任者:
穆里纳 著
次要责任者:
崔亚奇 译
次要责任者:
唐田田 译
次要责任者:
但波 译
责任者附注:
Oliver Durr, 是德国康斯坦茨应用科学大学的教授。Beate Sick, 在苏黎世应用科技大学担任应用统计学教授, 并在苏黎世大学担任研究员和讲师。Elvis Murina, 是一名数据科学家。