Python貝葉斯深度學習 馬特.貝納坦 約赫姆.吉特馬 9787302672166 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$508
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202410*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：Python貝葉斯深度學習 ISBN：9787302672166 出版社：清華大學 著編譯者：馬特.貝納坦 約赫姆.吉特馬 頁數：214 所在地：中國大陸 *此為代購商品 書號：1681184 可大量預訂，請先連絡。 內容簡介 深度學習正日益深刻地滲入我們的生活，從建議內容到在任務關鍵型和安全關鍵型應用中發揮核心作用，其影響無所不在。然而，隨著這些演算法影響力的逐漸擴大，人們對於依賴這些演算法的系統安全性和魯棒性的擔憂也日益加劇。簡言之，傳統的深度學習方法往往難以察覺自身的知識邊界，即它們「不知其所不知」。 貝葉斯深度學習（Bayesian Deep Learning，BDL）領域包含一系列利用深度網路進行近似貝葉斯推理的方法。這些方法通過揭示模型對其預測結果的置信度，增強了深度學習系統的魯棒性，使我們能夠更謹慎地將模型預測融入實際應用中。 《Python貝葉斯深度學習》將引領你踏入迅速發展的不確定性感知深度學習領域，助你深入理解不確定性估計在構建魯棒性的機器學習系統中的重要價值。你將學習多種流行的BDL方法，並通過涵蓋多種應用場景的Python實用示例來掌握這些方法的實現技巧。 讀完本書後，你將深刻理解BDL及其優勢，並能夠為更安全、更魯棒的深度學習系統開發貝葉斯深度學習模型。 主要內容： 了解貝葉斯推理和深度學習的優缺點 了解貝葉斯神經網路（Bayesian Neural Network，BNN）的基本原理 了解主要貝葉斯神經網路實現/近似之間的差異 了解生產環境中概率深度神經網路的優勢 在Python代碼中實現各種貝葉斯深度學習方法 運用貝葉斯深度學習方法解決實際問題 學習如何評估貝葉斯深度學習方法併為特定任務選擇最佳方法 在實際深度學習應用中處理「分佈外」數據作者簡介 郭濤，主要從事人工智慧、現代軟體工程、智能空間信息處理以及時空大數據挖掘與分析等前沿交叉研究，已翻譯並出版《深度強化學習圖解》《AI可解釋性（Python語言版）》《概率圖模型原理與應用（第2版）》等多部暢銷作品。目錄 第1章 深度學習時代的貝葉斯推理1 1 技術要求 1 2 深度學習時代的奇? 1 3 了解深度學習的局限性 1 3 1 深度學習系統中的偏見 1 3 2 過高置信預測導致危險 1 3 3 變化趨勢 1 4 核心主題 1 5 設置工作環境 1 6 小結 第2章 貝葉斯推理基礎 2 1 重溫貝葉斯建模知識 2 2 通過採樣進行貝葉斯推理 2 2 1 近似分佈 2 2 2 利用貝葉斯線性回歸實現概率推理 2 3 探討高斯過程 2 3 1 用核定義先驗信念 2 3 2 高斯過程的局限性 2 4 小結 2 5 延伸閱讀 第3章 深度學習基礎 3 1 技術要求 3 2 多層感知器 3 3 回顧神經網路架構 3 3 1 探索卷積神經網路 3 3 2 探索循環神經網路 3 3 3 注意力機制 3 4 理解典型神經網路存在的問題 3 4 1 未經校準和過高置信的預測 3 4 2 預測分佈外數據 3 4 3 置信度高的分佈外預測示例 3 4 4 易受對抗性操縱的影響 3 5 小結 3 6 延伸閱讀 第4章 貝葉斯深度學習介紹 4 1 技術要求 4 2 理想的貝葉斯神經網路 4 3 貝葉斯深度學習基本原理 4 3 1 高斯假設 4 3 2 不確定性的來源 4 3 3 超越極大似然：似然的重要性 4 4 貝葉斯深度學習工具 4 5 小結 4 6 延伸閱讀 第5章 貝葉斯深度學習原理方法 5 1 技術要求 5 2 解釋符號 5 3 深度學習中熟悉的概率概念 5 4 通過反向傳播進行貝葉斯推理 5 5 使用TensorFlow實現貝葉斯反向傳播 5 6 使用概率反向傳播擴展貝葉斯深度學習 5 7 實現概率反向傳播 5 8 小結 5 9 延伸閱讀 第6章 使用標準工具箱進行貝葉斯深度學習 6 1 技術要求 6 2 通過捨棄引入近似貝葉斯推理 6 2 1 利用捨棄進行近似貝葉斯推理 6 2 2 實現MC捨棄 6 3 使用集成學習進行模型不確定性估計 6 3 1 集成學習介紹 6 3 2 引入深度集成學習 6 3 3 實現深度集成學習 6 3 4 深度集成學習的實際局限性 6 4 探索用貝葉斯最後一層方法增強神經網路 6 4 1 貝葉斯推理的最後一層方法 6 4 2 最後一層MC捨棄 6 4 3 最後一層方法小結 6 5 小結 第7章 貝葉斯深度學習的實際考慮因素 7 1 技術要求 7 2 平衡不確定性質量和計算考慮因素 7 2 1 設置實驗 7 2 2 分析模型性能 7 2 3 貝葉斯深度學習模型的計算考慮因素 7 2 4 選擇正確的模型 7 3 貝葉斯深度學習和不確定性來源 7 4 小結 7 5 延伸閱讀 第8章 貝葉斯深度學習應用 8 1 技術要求 8 2 檢測分佈外數據 8 2 1 探討分佈外檢測問題 8 2 2 系統評估分佈外檢測性能 8 2 3 無需重新訓練的簡單分佈外檢測 8 3 應對數據集漂移的魯棒方法 8 3 1 測量模型對數據集漂移的響應 8 3 2 用貝葉斯方法揭示數據集漂移 8 4 通過不確定性選擇數據來保持模型的新鮮度 8 5 利用不確定性估計進行更智能的強化學習 8 6 對對抗性輸入的敏感性 8 7 小結 8 8 延伸閱讀 第9章 貝葉斯深度學習的發展趨勢 9 1 貝葉斯深度學習的當前趨勢 9 2 如何應用貝葉斯深度學習方法解決現實世界中的問題 9 3 貝葉斯深度學習的最新方法 9 3 1 結合MC捨棄和深度集成學習 9 3 2 通過促進多樣性改進深度集成學習 9 3 3 超大網路中的不確定性 9 4 貝葉斯深度學習的替代方案 9 4 1 可擴展的高斯過程 9 4 2 深度高斯過程 9 5 貝葉斯深度學習的下一步工作 9 6 延伸閱讀 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
