Apprentissage Profond Probabiliste avec TensorFlow

Les modèles d'apprentissage profond standard font des prédictions avec une confiance absolue, même lorsqu'ils se trompent. L'apprentissage profond probabiliste résout ce problème en permettant aux réseaux de neurones de quantifier leurs doutes, les rendant plus sûrs et plus fiables pour les applications critiques du monde réel. Dans ce cours écrit, vous passerez de l'apprentissage profond déterministe à la modélisation probabiliste. Vous apprendrez à représenter l'incertitude dans vos données et dans les poids de votre modèle, vous permettant ainsi de construire des réseaux de neurones robustes capables d'exprimer quand ils sont incertains. En commençant par les concepts fondamentaux de probabilité, vous progresserez vers la programmation d'architectures probabilistes pratiques. Ce que vous apprendrez : - Comprendre les concepts clés des distributions de probabilité et de la quantification de l'incertitude en apprentissage profond. - Construire des réseaux de neurones qui produisent des distributions de probabilité à l'aide de la bibliothèque TensorFlow Probability. - Modéliser l'incertitude aléatoire pour capturer le bruit inhérent aux ensembles de données du monde réel. - Implémenter des réseaux de neurones bayésiens pour estimer l'incertitude épistémique dans les paramètres du modèle. - Appliquer des techniques modernes d'inférence variationnelle et des méthodes de Monte Carlo pour entraîner des modèles probabilistes. - Évaluer les prévisions probabilistes à l'aide de règles de score appropriées et de métriques de calibration. Le cours commence par la terminologie fondamentale et les concepts de distribution de base avant de vous guider à travers des explications écrites et des extraits de code pour construire, entraîner et évaluer des modèles conscients de l'incertitude. Ce cours est conçu pour les développeurs, les analystes de données et les passionnés de machine learning qui ont une compréhension de base des réseaux de neurones et de Python, et qui souhaitent apprendre à gérer l'incertitude dans leurs modèles. Aucune expérience préalable en programmation probabiliste n'est requise. Commencez à lire pour construire des modèles d'apprentissage profond qui savent ce qu'ils ne savent pas.