掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 概率深度學(xué)習(xí) 使用Python、Keras和TensorFlow Probability
開本：
其他
頁數(shù)：
352
本類五星書更多>
-
>
全國計算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
概率深度學(xué)習(xí) 使用Python、Keras和TensorFlow Probability 版權(quán)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(xué)習(xí) 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(xué)習(xí)模型可對這些噪聲和不確定性進(jìn)行建模，并將所建的模型應(yīng)用于現(xiàn)實(shí)世界，幫助深度學(xué)習(xí)工程師評估其結(jié)果的準(zhǔn)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(xué)測試來說至關(guān)重要。 《概率深度學(xué)習(xí)使用Python、 Keras和TensorFlow Probability》 是關(guān)于神經(jīng)網(wǎng)絡(luò)原理的實(shí)踐指南，引導(dǎo)讀者學(xué)習(xí)使用不同數(shù)據(jù)類型的正確分布來提升網(wǎng)絡(luò)性能，同時推導(dǎo)貝葉斯變體，以通過表達(dá)模型自身的不確定性來提高準(zhǔn)確性。本書采用了主流的實(shí)現(xiàn)框架，提供了易于應(yīng)用的代碼，讓讀者更加注重實(shí)際應(yīng)用。
概率深度學(xué)習(xí) 使用Python、Keras和TensorFlow Probability 內(nèi)容簡介
主要內(nèi)容 ●探索深度學(xué)習(xí)的**似然原理和統(tǒng)計學(xué)基礎(chǔ) ●發(fā)現(xiàn)能輸出各種可能結(jié)果的概率模型 ●學(xué)習(xí)使用標(biāo)準(zhǔn)化流來建模和生成復(fù)雜分布 ●使用貝葉斯神經(jīng)網(wǎng)絡(luò)獲取模型中的不確定性
概率深度學(xué)習(xí) 使用Python、Keras和TensorFlow Probability 目錄
第Ⅰ部分 深度學(xué)習(xí)基礎(chǔ)
第1章 概率深度學(xué)習(xí)簡介 3
1.1 概率模型初探 4
1.2 初步了解深度學(xué)習(xí) 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(xué)習(xí)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(xué)習(xí) 26
1.5.1 不宜使用深度學(xué)習(xí)的情況 27
1.5.2 適宜使用深度學(xué)習(xí)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(xué)到什么 28
1.7 小結(jié) 29
第2章 神經(jīng)網(wǎng)絡(luò)架構(gòu) 31
2.1 全連接神經(jīng)網(wǎng)絡(luò)(fcNN) 32
2.1.1 人工神經(jīng)網(wǎng)絡(luò)的生物學(xué)原型 33
2.1.2 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)入門 35
2.1.3 使用全連接神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行分類 48
2.2 用于圖像類數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò) 56
2.2.1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中的主要思想 57
2.2.2 “邊緣愛好者”*小卷積神經(jīng)網(wǎng)絡(luò) 61
2.2.3 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)的生物學(xué)起源 64
2.2.4 建立和理解卷積神經(jīng)網(wǎng)絡(luò) 66
2.3 用于序列數(shù)據(jù)的一維卷積神經(jīng)網(wǎng)絡(luò) 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(luò)架構(gòu) 75
2.4 小結(jié) 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(xué)習(xí)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(jī)梯度下降改進(jìn)算法來加快學(xué)習(xí)速度 100
3.3.3 自動微分 100
3.4 深度學(xué)習(xí)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(jié) 114
第Ⅱ部分 概率深度學(xué)習(xí)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(dǎo) 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(fù)對數(shù)似然、交叉熵和K-L散度之間的關(guān)系 137
4.3 回歸問題損失函數(shù)推導(dǎo) 140
4.3.1 使用無隱藏層、單輸出神經(jīng)網(wǎng)絡(luò)對輸入與輸出的線性關(guān)系進(jìn)行建模 140
4.3.2 采用具有隱藏層的神經(jīng)網(wǎng)絡(luò)對輸入與輸出的非線性關(guān)系進(jìn)行建模 151
4.3.3 采用兩輸出神經(jīng)網(wǎng)絡(luò)對異方差回歸任務(wù)進(jìn)行建模 153
4.4 小結(jié) 159
第5章 基于TensorFlow概率編程的概率深度學(xué)習(xí)模型 161
5.1 不同概率預(yù)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(kuò)展泊松分布為零膨脹泊松(ZIP)分布 193
5.5 小結(jié) 197
第6章 “野外世界”中的概率深度學(xué)習(xí)模型 198
6.1 高級深度學(xué)習(xí)模型中的靈活概率分布 200
6.1.1 多項(xiàng)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(biāo)準(zhǔn)化流(NF)簡介 210
6.3.1 標(biāo)準(zhǔn)化流的基本原理 212
6.3.2 概率變量變換 215
6.3.3 標(biāo)準(zhǔn)化流模型擬合 222
6.3.4 鏈接流以實(shí)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(luò)實(shí)現(xiàn) 232
6.3.7 有趣的流模型：人臉圖像采樣 239
6.4 小結(jié) 245
第Ⅲ部分 概率深度學(xué)習(xí)模型的貝葉斯方法
第7章 貝葉斯學(xué)習(xí) 249
7.1 非貝葉斯深度學(xué)習(xí)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(xùn)練和預(yù)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(jié) 288
第8章 貝葉斯神經(jīng)網(wǎng)絡(luò) 289
8.1 貝葉斯神經(jīng)網(wǎng)絡(luò)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(yīng)用* 300
8.3 變分推理TFP實(shí)現(xiàn) 309
8.4 蒙特卡羅dropout貝葉斯近似 312
8.4.1 經(jīng)典dropout訓(xùn)練方法 313
8.4.2 在訓(xùn)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(wù)中新類別問題 326
8.6 小結(jié) 336
術(shù)語和縮寫詞的詞表 337
展開全部
概率深度學(xué)習(xí) 使用Python、Keras和TensorFlow Probability 作者簡介
Oliver Dürr是德國康斯坦茨應(yīng)用科學(xué)大學(xué)的教授，研究方向?yàn)閿?shù)據(jù)科學(xué)。Beate Sick在蘇黎世應(yīng)用科技大學(xué)擔(dān)任應(yīng)用統(tǒng)計學(xué)教授，在蘇黎世大學(xué)擔(dān)任研究員和講師，在蘇黎世聯(lián)邦理工學(xué)院擔(dān)任講師。Elvis Murina是一名研究科學(xué)家，負(fù)責(zé)本書附帶的大量練習(xí)代碼的編寫。 Dürr和Sick都是機(jī)器學(xué)習(xí)和統(tǒng)計方面的專家。他們指導(dǎo)了大量以深度學(xué)習(xí)為研究方向的學(xué)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(xué)習(xí)課程。三位作者自2013年以來一直從事深度學(xué)習(xí)方法的研究，在相關(guān)教學(xué)和概率深度學(xué)習(xí)模型開發(fā)方面都擁有豐富的經(jīng)驗(yàn)。
書友推薦
- >
羅庸西南聯(lián)大授課錄
- >
月亮與六便士
- >
【精裝繪本】畫給孩子的中國神話
- >
唐代進(jìn)士錄
- >
我從未如此眷戀人間
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
中國歷史的瞬間
- >
經(jīng)典常談
本類暢銷
