|
题名:
|
概率深度学习 / (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 |
|
ISBN:
|
978-7-302-59865-7 价格： CNY98.00 |
|
语种:
|
chi |
|
载体形态:
|
XIV, 336页 图 21cm |
|
出版发行:
|
出版地： 北京 出版社： 清华大学出版社 出版日期： 2022 |
|
内容提要:
|
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。 |
|
主题词:
|
机器学习 |
|
中图分类法:
|
TP181 版次： 5 |
|
主要责任者:
|
杜尔 著 |
|
主要责任者:
|
西克 著 |
|
主要责任者:
|
穆里纳 著 |
|
次要责任者:
|
崔亚奇 译 |
|
次要责任者:
|
唐田田 译 |
|
次要责任者:
|
但波 译 |
|
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。 |