Probabilistic Deep Learning dengan TensorFlow

Model pembelajaran mendalam standar membuat prediksi dengan kepercayaan mutlak, bahkan ketika mereka salah. pembelajaran mendasar yang probabilistik menyelesaikan hal ini dengan memungkinkan jaringan saraf untuk mengukur keraguan mereka, sehingga menjadikan mereka lebih aman dan lebih dapat diandalkan untuk aplikasi kritis di dunia nyata. Dalam kursus tertulis ini, Anda akan berpindah dari pembelajaran mendalam deterministik ke model probabilistik. Anda akan belajar bagaimana mewakili ketidakpastian dalam data dan berat model Anda, sehingga Anda dapat membangun jaringan saraf yang kuat yang dapat mengekspresikan ketika mereka tidak yakin. Mulai dengan konsep probabilitas dasar, Anda akan berkembang menjadi arsitektur probabilistik yang praktis. Apa yang akan kau pelajari: - Mengerti konsep inti distribusi probabilitas dan kuantitas ketidakpastian dalam pembelajaran mendalam. - Bangun jaringan saraf yang menghasilkan distribusi probabilitas menggunakan pustaka Probability TensorFlow. - Model ketidakpastian aleatorik untuk menangkap noise inheren yang ada dalam dataset dunia nyata. - Implementasi jaringan saraf Bayesian untuk memperkirakan ketidakpastian epistemik dalam parameter model. - Terapkan teknik inferensi variasional modern dan metode Monte Carlo untuk melatih model probabilistik. - Evaluasi prediksi probabilistik menggunakan aturan skoring yang tepat dan metrik kalibrasi. Kursus ini dimulai dengan terminologi dasar dan konsep distribusi dasar sebelum memandu Anda melalui penjelasan tertulis dan potongan kode untuk membangun, melatih, dan mengevaluasi model yang sadar ketidakpastian. Kursus ini dirancang untuk pengembang, analis data, dan penggemar machine learning yang memiliki pemahaman dasar tentang jaringan saraf dan Python, dan ingin belajar bagaimana menangani ketidakpastian dalam model mereka. Tidak diperlukan pengalaman sebelumnya dengan pemrograman probabilistik. Mulailah membaca untuk membangun model pembelajaran mendalam yang tahu apa yang mereka tidak tahu.