Вероятностное глубокое обучение с TensorFlow

Стандартные модели глубинного обучения делают предсказания с абсолютной точностью, даже когда они ошибаются. Вероятностное глубинное обучение решает эту проблему, позволяя нейронным сетям количественно оценивать свои сомнения, делая их более безопасными и надежными для критических реальных приложений. В этом курсе вы узнаете, как представлять неопределенность в данных и весах модели, что позволит вам создавать надёжные нейронные сети, которые могут выразить, когда они неочевидны. Начиная с основных понятий вероятности, вы перейдете к практическому программированию вероятностных архитектур. Что вы узнаете: - Понять основные понятия распределений вероятности и количественной оценки неопределенности в глубоком обучении. - Создание нейронных сетей, которые выводят распределения вероятности с помощью библиотеки вероятностей TensorFlow. - Моделирование алеаторной неопределенности для учета присущего шума, присутствующего в наборе данных реального мира. - Внедрение байесовских нейронных сетей для оценки эпистемической неопределенности параметров модели. - Применять современные вариационные методы вывода и методы Монте-Карло для обучения вероятностных моделей. - Оценивать вероятностные прогнозы с использованием надлежащих правил присвоения баллов и калибровочных метрик. Курс начинается с основополагающей терминологии и основных концепций распределения, а затем вы пройдете письменные объяснения и фрагменты кода для построения, обучения и оценки моделей с учетом неопределенности. Этот курс предназначен для разработчиков, аналитиков данных и энтузиастов машинного обучения, которые имеют базовое понимание нейронных сетей и Python и хотят научиться работать с неопределенностью в своих моделях. Не требуется предыдущий опыт вероятностного программирования. Начните читать, чтобы построить модели глубокого обучения, которые знают то, чего они не знают.