Probabilistic Deep Learning kasama ang TensorFlow

Ang mga karaniwang deep learning model ay gumagawa ng mga prediksyon na may ganap na kumpiyansa, kahit na sila ay mali. Nalulutas ito ng probabilistic deep learning sa pamamagitan ng pagpapahintulot sa mga neural network na i-quantify ang kanilang mga pagdududa, na ginagawa silang mas ligtas at mas maaasahan para sa mga kritikal na aplikasyon sa totoong mundo. Sa nakasulat na kursong ito, lilipat ka mula sa deterministic deep learning patungo sa probabilistic modeling. Matututunan mo kung paano irepresenta ang kawalan ng katiyakan sa iyong data at sa iyong mga model weights, na magbibigay-daan sa iyo na bumuo ng mga matatag na neural network na maaaring ipahayag kung kailan sila hindi sigurado. Magsisimula sa mga pangunahing konsepto ng probabilidad, uunlad ka sa pag-code ng mga praktikal, probabilistic na arkitektura. Ano ang matututunan mo: - Unawain ang mga pangunahing konsepto ng mga probability distribution at uncertainty quantification sa deep learning. - Bumuo ng mga neural network na naglalabas ng mga probability distribution gamit ang TensorFlow Probability library. - I-model ang aleatoric uncertainty upang makuha ang likas na ingay na naroroon sa mga dataset sa totoong mundo. - Ipatupad ang mga Bayesian neural network upang tantyahin ang epistemic uncertainty sa mga parameter ng modelo. - Mag-apply ng mga modernong variational inference technique at Monte Carlo methods upang sanayin ang mga probabilistic model. - Suriin ang mga probabilistic forecast gamit ang mga tamang scoring rule at calibration metrics. Nagsisimula ang kurso sa mga pangunahing terminolohiya at mga pangunahing konsepto ng distribution bago ka gabayan sa pamamagitan ng mga nakasulat na paliwanag at mga code snippet para sa pagbuo, pagsasanay, at pagsusuri ng mga modelong may kamalayan sa kawalan ng katiyakan. Ang kursong ito ay idinisenyo para sa mga developer, data analyst, at machine learning enthusiasts na may pangunahing pag-unawa sa mga neural network at Python, at nais matutunan kung paano pangasiwaan ang kawalan ng katiyakan sa kanilang mga modelo. Hindi kinakailangan ang anumang naunang karanasan sa probabilistic programming. Magsimulang magbasa upang bumuo ng mga deep learning model na alam kung ano ang hindi nila alam.