MARC状态：已编 文献类型：中文图书 浏览次数：37
- 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,2022.03
- ISBN及定价:
- 978-7-302-59865-7 精装/CNY98.00
- 载体形态项:
- XIV, 336页:图;21cm
- 并列正题名:
- Probabilistic deep learning:with python, keras and tensorflow probability
- 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, 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
- 相关题名附注:
- 英文题名取自封面
- 责任者附注:
- 奥利弗·杜尔, 德国康斯坦茨应用科学大学的教授。贝亚特·西克, 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。埃尔维斯·穆里纳, 一名数据科学家。
- 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。
全部MARC细节信息>>
理工阅览室（4楼）