机读格式显示(MARC)

• 000 01530nam0 2200349 450

• 001 0000279251

• 010 __ |a 978-7-302-59865-7 |d CNY98.00

• 092 __ |a CN |b 人天1024-3341

• 100 __ |a 20220424d2022 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a y z 000yy

• 106 __ |a r

• 200 1_ |a 概率深度学习 |e 使用Python、Keras和TensorFlow Probability |f (德)奥利弗·杜尔，(德)贝亚特·西克，(德)埃尔维斯·穆里纳著 |g 崔亚奇，唐田田，但波译

• 210 __ |a 北京 |c 清华大学出版社 |d 2022.03

• 215 __ |a 336页 |c 图 |d 22cm

• 314 __ |a 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。

• 330 __ |a 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。

• 333 __ |a 本书适用于有经验的机器学习开发人员

• 606 0_ |a 机器人学习

• 690 __ |a TP181 |v 5

• 701 _0 |c (德) |a 奥利弗·杜尔 |4 著

• 701 _0 |c (德) |a 贝亚特·西克 |4 著

• 701 _0 |c (德) |a 埃尔维斯·穆里纳 |4 著

• 702 _0 |a 崔亚奇 |4 译

• 702 _0 |a 唐田田 |4 译

• 702 _0 |a 但波 |4 译

• 801 _0 |a CN |b 人天书店 |c 20220427

• 901 __ |a 清华大学出版社

• 902 __ |a Rt1024-0891

• 962 __ |a 7400330

• 997 __ |a 可供