Probabilistic Deep Learning

Inhaltsangabe von Probabilistic Deep Learning

«Probabilistic Deep Learning» ist der Leitfaden für probabilistisches Deep Learning von Oliver Duerr, Beate Sick und Elvis Murina (Manning, Taschenbuch, 296 Seiten, Englisch).

Praktischer Leitfaden für probabilistisches Deep Learning mit Python, Keras und TensorFlow Probability. Ausgehend vom Prinzip der maximalen Wahrscheinlichkeit lehrt es, die passende Verteilung für jeden Datentyp zu wählen und Bayes'sche Netze zu bauen, die die Unsicherheit ihrer Vorhersagen quantifizieren. Enthält Übungen in Jupyter Notebooks.

Veröffentlicht am 10. November 2020. Erste Ausgabe.

Für Entwickler und Datenwissenschaftler mit Kenntnissen in Python und neuronalen Netzen, die Unsicherheit in ihre Deep-Learning-Modelle einbeziehen möchten.