中南民族大学图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

概率深度学习:使用Python、Keras和TensorFlow Probability/(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

出版发行项:

北京:清华大学出版社,2022

ISBN及定价:

978-7-302-59865-7 精装/CNY98.00

载体形态项:

XIV, 336页:图;22cm

统一题名:

Probabilistic deep learning : with Python, Keras and TensorFlow Probability

其它题名:

使用Python、Keras和TensorFlow Probability

个人责任者:

迪尔 (Dürr, Oliver) 著

个人责任者:

西克 (Sick, Beate) 著

个人责任者:

穆里纳 (Murina, Elvis) 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:

机器学习

中图法分类号:

TP181

版本附注:

据2020年英文版译出

相关题名附注:

英文题名原文取自版权页

责任者附注:

Oliver Dürr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。

责任者附注:

责任者Dürr规范汉译姓: 迪尔

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。

豆瓣简介：