Học sâu xác suất với TensorFlow

Mô hình học sâu tiêu chuẩn tạo ra dự đoán với sự tự tin tuyệt đối, ngay cả khi chúng sai. học sâu xác suất giải quyết điều này bằng cách cho phép các mạng nơron định lượng sự nghi ngờ của họ, làm cho chúng an toàn và đáng tin cậy hơn cho các ứng dụng quan trọng trong thế giới thực. Trong khóa học này, bạn sẽ học cách chuyển từ học sâu quyết định sang mô hình xác suất. Bạn sẽ học làm thế nào để biểu diễn sự không chắc chắn trong cả dữ liệu và trọng số mô hình, cho phép bạn xây dựng các mạng nơron mạnh có thể biểu hiện khi chúng không chắc. Bắt đầu với các khái niệm xác suất cơ bản, bạn sẽ tiến tới mã hóa kiến trúc xác suốt thực tế. Bạn sẽ học được: - Hiểu các khái niệm cốt lõi của phân phối xác suất và định lượng không chắc chắn trong học sâu. - Tạo các mạng nơron cho ra các phân phối xác suất sử dụng thư viện xác suốt TensorFlow. - Mô hình bất định ngẫu nhiên để bắt được tiếng ồn cố hữu trong các tập dữ liệu thế giới thực. - Thực hiện mạng nơron Bayes để ước tính sự không chắc chắn nhận thức trong các tham số mô hình. - Ứng dụng các kỹ thuật suy luận biến đổi hiện đại và phương pháp Monte Carlo để huấn luyện mô hình xác suất. - Đánh giá dự báo xác suất sử dụng các quy tắc đánh giá và chỉ số hiệu chỉnh thích hợp. Chương trình bắt đầu với thuật ngữ nền tảng và các khái niệm phân phối cơ bản trước khi hướng dẫn bạn qua các giải thích và đoạn mã để xây dựng, đào tạo và đánh giá các mô hình nhận thức không chắc chắn. Chương trình này được thiết kế cho các nhà phát triển, nhà phân tích dữ liệu, và những người đam mê học máy, những người có hiểu biết cơ bản về mạng nơron và Python, và muốn học cách xử lý sự không chắc chắn trong mô hình của họ. Không cần phải có kinh nghiệm trước đó với lập trình xác suất. Bắt đầu đọc để xây dựng mô hình học sâu biết những gì họ không biết.