新书先读：基于 Python 的概率深度学习

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