Probabilistic Deep Learning with TensorFlow

โมเดล Deep Learning แบบมาตรฐานจะทำการคาดการณ์ด้วยความมั่นใจสัมบูรณ์ แม้ว่าพวกเขาจะผิดก็ตาม Probabilistic deep learning แก้ปัญหานี้โดยการอนุญาตให้โครงข่ายประสาทเทียมสามารถวัดระดับความสงสัยของตนเองได้ ทำให้มีความปลอดภัยและน่าเชื่อถือมากขึ้นสำหรับการใช้งานจริงในโลกแห่งความเป็นจริง ในหลักสูตรที่เป็นลายลักษณ์อักษรนี้ คุณจะได้เปลี่ยนจากการเรียนรู้เชิงลึกแบบกำหนดไปสู่การสร้างแบบจำลองเชิงความน่าจะเป็น คุณจะได้เรียนรู้วิธีการแสดงความไม่แน่นอนทั้งในข้อมูลและน้ำหนักโมเดลของคุณ ทำให้คุณสามารถสร้างโครงข่ายประสาทเทียมที่แข็งแกร่งซึ่งสามารถแสดงออกได้เมื่อไม่แน่ใจ เริ่มต้นด้วยแนวคิดพื้นฐานของความน่าจะเป็น คุณจะได้เรียนรู้วิธีการเขียนสถาปัตยกรรมเชิงความน่าจะเป็นที่ใช้งานได้จริง สิ่งที่คุณจะได้เรียนรู้: - เข้าใจแนวคิดหลักของการแจกแจงความน่าจะเป็นและการวัดปริมาณความไม่แน่นอนในการเรียนรู้เชิงลึก - สร้างโครงข่ายประสาทเทียมที่ส่งออกการแจกแจงความน่าจะเป็นโดยใช้ไลบรารี TensorFlow Probability - สร้างแบบจำลองความไม่แน่นอนแบบ aleatoric เพื่อจับสัญญาณรบกวนที่มีอยู่ในชุดข้อมูลจริง - ใช้โครงข่ายประสาทเทียมแบบ Bayesian เพื่อประมาณความไม่แน่นอนแบบ epistemic ในพารามิเตอร์โมเดล - ใช้เทคนิคการอนุมานแบบแปรผันสมัยใหม่และวิธีการ Monte Carlo เพื่อฝึกโมเดลเชิงความน่าจะเป็น - ประเมินการคาดการณ์เชิงความน่าจะเป็นโดยใช้กฎการให้คะแนนที่เหมาะสมและตัวชี้วัดการสอบเทียบ หลักสูตรเริ่มต้นด้วยคำศัพท์พื้นฐานและแนวคิดการแจกแจงพื้นฐานก่อนที่จะนำคุณผ่านคำอธิบายที่เป็นลายลักษณ์อักษรและตัวอย่างโค้ดสำหรับการสร้าง ฝึกฝน และประเมินโมเดลที่ตระหนักถึงความไม่แน่นอน หลักสูตรนี้ออกแบบมาสำหรับนักพัฒนา นักวิเคราะห์ข้อมูล และผู้ที่ชื่นชอบ Machine Learning ที่มีความเข้าใจพื้นฐานเกี่ยวกับโครงข่ายประสาทเทียมและ Python และต้องการเรียนรู้วิธีจัดการกับความไม่แน่นอนในโมเดลของพวกเขา ไม่จำเป็นต้องมีประสบการณ์การเขียนโปรแกรมเชิงความน่าจะเป็นมาก่อน เริ่มอ่านเพื่อสร้างโมเดล Deep Learning ที่รู้ว่าตัวเองไม่รู้อะไร