Probabilistyczne uczenie głębokie: Prawdopodobieństwo w Pythonie, Keras i Tensorflow

Opinie czytelników

Książka stanowi intuicyjne wprowadzenie do narzędzi prawdopodobieństwa TensorFlow, oferując uproszczone wyjaśnienia złożonych pojęć, takich jak bayesowskie sieci neuronowe i normalizacja przepływu. Została jednak skrytykowana za powierzchowną treść, słabą edycję i ograniczoną głębię, szczególnie w sekcji dotyczącej probabilistycznego uczenia głębokiego.

Intuicyjne i przyjazne objaśnienia, świetne źródło wiedzy na temat narzędzi probabilistycznych TensorFlow, unikalne spojrzenie na złożone koncepcje, interesujące treści na temat sieci neuronowych i normalizacji przepływu.

Uboga treść, szczególnie w sekcjach wprowadzających, słaba edycja z licznymi błędami, niewystarczająca głębia w probabilistycznym uczeniu głębokim, większość książki to podstawowy materiał wprowadzający.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Probabilistic Deep Learning: With Python, Keras and Tensorflow Probability

Zawartość książki:

Probabilistic Deep Learning pokazuje, w jaki sposób probabilistyczne modele głębokiego uczenia dają czytelnikom narzędzia do identyfikowania i uwzględniania niepewności i potencjalnych błędów w ich wynikach.

Zaczynając od zastosowania podstawowej zasady maksymalnego prawdopodobieństwa dopasowania krzywej do głębokiego uczenia się, czytelnicy przejdą do korzystania z opartej na Pythonie struktury prawdopodobieństwa Tensorflow i skonfigurują bayesowskie sieci neuronowe, które mogą określić ich niepewność.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.