机读格式显示(MARC)

• 000 01925cam0 2200397 450

• 001 0000771632

• 005 20221008132300.0

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

• 099 __ |a CAL 012022050736

• 100 __ |a 20220421d2022 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a ak z 000yy

• 106 __ |a r

• 200 1_ |a 概率深度学习 |A gai lv shen du xue xi |e 使用Python、Keras和TensorFlow Probability |f (德) 奥利弗·杜尔, 贝亚特·西克, 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

• 215 __ |a XIV, 336页 |c 图 |d 22cm

• 305 __ |a 据2020年英文版译出

• 312 __ |a 英文题名原文取自版权页

• 314 __ |a 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。

• 314 __ |a 责任者Dürr规范汉译姓: 迪尔

• 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。

• 500 10 |a Probabilistic deep learning : with Python, Keras and TensorFlow Probability |m Chinese

• 517 1_ |a 使用Python、Keras和TensorFlow Probability |A shi yong Python、Keras he TensorFlowProbability

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _1 |a 迪尔 |A di er |g (Dürr, Oliver) |4 著

• 701 _1 |a 西克 |A xi ke |g (Sick, Beate) |4 著

• 701 _1 |a 穆里纳 |A mu li na |g (Murina, Elvis) |4 著

• 702 _0 |a 崔亚奇 |A cui ya qi |4 译

• 702 _0 |a 唐田田 |A tang tian tian |4 译

• 702 _0 |a 但波 |A dan bo |4 译

• 801 _0 |a CN |b WHUTL |c 20220607

• 801 _2 |a CN |b PUL |c 20220624

• 905 __ |a SCNU |f TP181/3500

• 920 __ |a 242430 |z 1