MARC状态：审校 文献类型：中文图书 浏览次数：22
- 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 催亚奇, 唐田田, 但波译
- 出版发行项:
- 北京:清华大学出版社,2022.3
- ISBN及定价:
- 978-7-302-59865-7 精装/CNY98.00
- 载体形态项:
- 336页:图;22cm
- 个人责任者:
- 杜尔 (Durr, Oliver) 著
- 个人责任者:
- 西克 (Sick, Beate) 著
- 个人责任者:
- 穆里纳 (Murina, Elivis) 著
- 个人次要责任者:
- 催亚奇 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
- 相关题名附注:
- 英文题名取自版权页
- 提要文摘附注:
- 概率原理是深度学习的基础。在深度学习中，几乎所有的神经网络都是概率模型。这之中有两个强大的概率原理，它们分别是极大似然和贝叶斯。其中最大似然支配着所有传统的深度学习方法。将网络理解为采用最大似然原理训练得到的概率模型，可以帮助提高网络性能，就像谷歌从WaveNet提升到WaveNet++时所做的那样，或生成令人惊叹的应用程序，就像OpenAI在Glow中所做的那样，Glow可是一个生成逼真人脸图像的强大网络。当网络需要说“我不确定”时，贝叶斯方法就会发挥作用。奇怪的是，传统的神经网络无法做到这一点。本书的副标题是“使用 Python、 Keras和TensorFlow Probability”，它反映了这样一个事实：你确实应该亲自动手编写一些代码。
- 使用对象附注:
- 机器学习者
全部MARC细节信息>>