掃一掃
關注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
概率深度學習 使用Python、Keras和TensorFlow Probability 版權信息
- ISBN：9787302598657
- 條形碼：9787302598657 ; 978-7-302-59865-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
概率深度學習 使用Python、Keras和TensorFlow Probability 本書特色
世界充滿了噪聲和不確定性。概率深度學習模型可對這些噪聲和不確定性進行建模，并將所建的模型應用于現(xiàn)實世界，幫助深度學習工程師評估其結果的準確性、發(fā)現(xiàn)錯誤，并加深他們對算法工作原理的理解。這對自動駕駛汽車和科學測試來說至關重要。 《概率深度學習使用Python、 Keras和TensorFlow Probability》 是關于神經(jīng)網(wǎng)絡原理的實踐指南，引導讀者學習使用不同數(shù)據(jù)類型的正確分布來提升網(wǎng)絡性能，同時推導貝葉斯變體，以通過表達模型自身的不確定性來提高準確性。本書采用了主流的實現(xiàn)框架，提供了易于應用的代碼，讓讀者更加注重實際應用。
概率深度學習 使用Python、Keras和TensorFlow Probability 內容簡介
主要內容 ●探索深度學習的**似然原理和統(tǒng)計學基礎 ●發(fā)現(xiàn)能輸出各種可能結果的概率模型 ●學習使用標準化流來建模和生成復雜分布 ●使用貝葉斯神經(jīng)網(wǎng)絡獲取模型中的不確定性
概率深度學習 使用Python、Keras和TensorFlow Probability 目錄
第Ⅰ部分 深度學習基礎
第1章 概率深度學習簡介 3
1.1 概率模型初探 4
1.2 初步了解深度學習 7
1.3 分類 10
1.3.1 傳統(tǒng)圖像分類方法 11
1.3.2 深度學習圖像分類方法 15
1.3.3 非概率分類 17
1.3.4 概率分類 18
1.3.5 貝葉斯概率分類 19
1.4 曲線擬合 21
1.4.1 非概率曲線擬合 21
1.4.2 概率曲線擬合 23
1.4.3 貝葉斯概率曲線擬合 25
1.5 何時使用和何時不使用深度學習 26
1.5.1 不宜使用深度學習的情況 27
1.5.2 適宜使用深度學習的情況 27
1.5.3 何時使用和何時不使用概率模型 28
1.6 你將在本書中學到什么 28
1.7 小結 29
第2章 神經(jīng)網(wǎng)絡架構 31
2.1 全連接神經(jīng)網(wǎng)絡(fcNN) 32
2.1.1 人工神經(jīng)網(wǎng)絡的生物學原型 33
2.1.2 神經(jīng)網(wǎng)絡的實現(xiàn)入門 35
2.1.3 使用全連接神經(jīng)網(wǎng)絡對圖像進行分類 48
2.2 用于圖像類數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡 56
2.2.1 卷積神經(jīng)網(wǎng)絡架構中的主要思想 57
2.2.2 “邊緣愛好者”*小卷積神經(jīng)網(wǎng)絡 61
2.2.3 卷積神經(jīng)網(wǎng)絡架構的生物學起源 64
2.2.4 建立和理解卷積神經(jīng)網(wǎng)絡 66
2.3 用于序列數(shù)據(jù)的一維卷積神經(jīng)網(wǎng)絡 72
2.3.1 時序數(shù)據(jù)格式 73
2.3.2 有序數(shù)據(jù)有何特別之處 74
2.3.3 時間序列數(shù)據(jù)網(wǎng)絡架構 75
2.4 小結 77
第3章 曲線擬合原理 79
3.1 曲線擬合中的“Hello World” 81
3.2 梯度下降法 88
3.2.1 具有一個模型自由參數(shù)的損失函數(shù) 89
3.2.2 具有兩個模型自由參數(shù)的損失函數(shù) 93
3.3 深度學習中的特殊技巧 98
3.3.1 小批量梯度下降 99
3.3.2 使用隨機梯度下降改進算法來加快學習速度 100
3.3.3 自動微分 100
3.4 深度學習框架中的反向傳播 101
3.4.1 靜態(tài)圖框架 102
3.4.2 動態(tài)圖框架 112
3.5 小結 114
第Ⅱ部分 概率深度學習模型的*大似然方法
第4章 *大似然定義損失函數(shù) 117
4.1 損失函數(shù)之母——*大似然原則 118
4.2 分類問題損失函數(shù)推導 124
4.2.1 二元分類問題 125
4.2.2 兩個以上類別分類問題 133
4.2.3 負對數(shù)似然、交叉熵和K-L散度之間的關系 137
4.3 回歸問題損失函數(shù)推導 140
4.3.1 使用無隱藏層、單輸出神經(jīng)網(wǎng)絡對輸入與輸出的線性關系進行建模 140
4.3.2 采用具有隱藏層的神經(jīng)網(wǎng)絡對輸入與輸出的非線性關系進行建模 151
4.3.3 采用兩輸出神經(jīng)網(wǎng)絡對異方差回歸任務進行建模 153
4.4 小結 159
第5章 基于TensorFlow概率編程的概率深度學習模型 161
5.1 不同概率預測模型的評價和比較 165
5.2 TFP概率編程概述 166
5.3 基于TFP概率編程的連續(xù)數(shù)據(jù)建模 171
5.3.1 常量方差線性回歸模型的擬合與評估 172
5.3.2 變方差線性回歸模型的擬合與評估 176
5.4 基于TFP的計數(shù)數(shù)據(jù)建模 182
5.4.1 適用于計數(shù)數(shù)據(jù)的泊松分布 187
5.4.2 擴展泊松分布為零膨脹泊松(ZIP)分布 193
5.5 小結 197
第6章 “野外世界”中的概率深度學習模型 198
6.1 高級深度學習模型中的靈活概率分布 200
6.1.1 多項式分布作為一種靈活分布 201
6.1.2 理解離散邏輯混合 204
6.2 案例研究：巴伐利亞公路傷亡事故 208
6.3 與流同行：標準化流(NF)簡介 210
6.3.1 標準化流的基本原理 212
6.3.2 概率變量變換 215
6.3.3 標準化流模型擬合 222
6.3.4 鏈接流以實現(xiàn)深度變換 224
6.3.5 高維空間變換* 229
6.3.6 流操作的網(wǎng)絡實現(xiàn) 232
6.3.7 有趣的流模型：人臉圖像采樣 239
6.4 小結 245
第Ⅲ部分 概率深度學習模型的貝葉斯方法
第7章 貝葉斯學習 249
7.1 非貝葉斯深度學習的弊端，以房間里的大象為例 250
7.2 初始貝葉斯方法 255
7.2.1 貝葉斯模型：黑客式 255
7.2.2 我們剛剛做了什么 260
7.3 貝葉斯概率模型 261
7.3.1 貝葉斯模型訓練和預測 263
7.3.2 投擲硬幣，貝葉斯模型的“Hello World” 270
7.3.3 貝葉斯線性回歸模型回顧 282
7.4 小結 288
第8章 貝葉斯神經(jīng)網(wǎng)絡 289
8.1 貝葉斯神經(jīng)網(wǎng)絡概述 291
8.2 變分推理貝葉斯近似 293
8.2.1 深入了解變分推理* 294
8.2.2 變分推理簡單應用* 300
8.3 變分推理TFP實現(xiàn) 309
8.4 蒙特卡羅dropout貝葉斯近似 312
8.4.1 經(jīng)典dropout訓練方法 313
8.4.2 在訓練和測試過程中采用蒙特卡羅dropout 317
8.5 案例研究 320
8.5.1 回歸中的外推問題 320
8.5.2 分類任務中新類別問題 326
8.6 小結 336
術語和縮寫詞的詞表 337
展開全部
概率深度學習 使用Python、Keras和TensorFlow Probability 作者簡介
Oliver Dürr是德國康斯坦茨應用科學大學的教授，研究方向為數(shù)據(jù)科學。Beate Sick在蘇黎世應用科技大學擔任應用統(tǒng)計學教授，在蘇黎世大學擔任研究員和講師，在蘇黎世聯(lián)邦理工學院擔任講師。Elvis Murina是一名研究科學家，負責本書附帶的大量練習代碼的編寫。 Dürr和Sick都是機器學習和統(tǒng)計方面的專家。他們指導了大量以深度學習為研究方向的學士、碩士和博士論文，并策劃和開展了多門研究生、碩士層次的深度學習課程。三位作者自2013年以來一直從事深度學習方法的研究，在相關教學和概率深度學習模型開發(fā)方面都擁有豐富的經(jīng)驗。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
苦雨齋序跋文-周作人自編集
- >
隨園食單
- >
【精裝繪本】畫給孩子的中國神話
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
月亮虎
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
回憶愛瑪儂
本類暢銷
