MARC状态：订购 文献类型：中文图书 浏览次数：24
- 题名/责任者:
- 概率深度学习:使用Python、Keras和TensorFlow Probability/(德)奥利弗·杜尔，(德)贝亚特·西克，(德)埃尔维斯·穆里纳著 崔亚奇，唐田田，但波译
- 出版发行项:
- 北京:清华大学出版社,2022.03
- ISBN及定价:
- 978-7-302-59865-7/CNY98.00
- 载体形态项:
- 336页:图;22cm
- 个人责任者:
- (德) 奥利弗·杜尔 著
- 个人责任者:
- (德) 贝亚特·西克 著
- 个人责任者:
- (德) 埃尔维斯·穆里纳 著
- 个人次要责任者:
- 崔亚奇 译
- 个人次要责任者:
- 唐田田 译
- 个人次要责任者:
- 但波 译
- 学科主题:
- 机器人学习
- 中图法分类号:
- TP181
- 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。
- 提要文摘附注:
- 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。
- 使用对象附注:
- 本书适用于有经验的机器学习开发人员