Pembelajaran Mendalam Probabilistik dengan TensorFlow

Model pembelajaran mendalam standard membuat ramalan dengan keyakinan mutlak, walaupun ia salah. Pembelajaran mendalam probabilistik menyelesaikan masalah ini dengan membenarkan rangkaian saraf mengukur keraguan mereka, menjadikannya lebih selamat dan lebih boleh dipercayai untuk aplikasi dunia sebenar yang kritikal. Dalam kursus bertulis ini, anda akan beralih daripada pembelajaran mendalam deterministik kepada pemodelan probabilistik. Anda akan belajar cara mewakili ketidakpastian dalam data anda dan berat model anda, membolehkan anda membina rangkaian saraf yang mantap yang boleh menyatakan apabila ia tidak pasti. Bermula dengan konsep kebarangkalian asas, anda akan maju ke pengkodan seni bina probabilistik praktikal. Apa yang anda akan pelajari: - Fahami konsep teras taburan kebarangkalian dan kuantifikasi ketidakpastian dalam pembelajaran mendalam. - Bina rangkaian saraf yang mengeluarkan taburan kebarangkalian menggunakan pustaka TensorFlow Probability. - Modelkan ketidakpastian aleatorik untuk menangkap hingar yang wujud dalam set data dunia sebenar. - Laksanakan rangkaian saraf Bayesian untuk menganggarkan ketidakpastian epistemic dalam parameter model. - Guna teknik inferens variasi moden dan kaedah Monte Carlo untuk melatih model probabilistik. - Nilai ramalan probabilistik menggunakan peraturan skor yang betul dan metrik kalibrasi. Kursus ini bermula dengan terminologi asas dan konsep taburan asas sebelum membimbing anda melalui penjelasan bertulis dan coretan kod untuk membina, melatih dan menilai model yang sedar ketidakpastian. Kursus ini direka untuk pembangun, penganalisis data dan peminat pembelajaran mesin yang mempunyai pemahaman asas tentang rangkaian saraf dan Python, dan ingin belajar cara mengendalikan ketidakpastian dalam model mereka. Tiada pengalaman terdahulu dengan pengaturcaraan probabilistik diperlukan. Mulai membaca untuk membina model pembelajaran mendalam yang mengetahui apa yang mereka tidak tahu.