《機率深度學習 使用Python、Keras和TensorFlow Probability》是清華大學出版社2022年3月出版的圖書，作者是[德] 奧利弗·杜爾(Oliver Dürr)、貝亞特·西克(Beate Sick)和埃爾維斯·穆里納(Elvis Murina)，譯者是崔亞奇、唐田田和但波。
基本介紹
- 中文名：機率深度學習使用Python,Keras和TensorFlow Probability
- 作者：[德] 奧利弗·杜爾(Oliver Dürr)、貝亞特·西克(Beate Sick)、埃爾維斯·穆里納(Elvis Murina)
- 譯者：崔亞奇、唐田田、但波
- 出版社：清華大學出版社
- 出版時間：2022年3月
- 頁數：352 頁
- 定價：98 元
- 開本：32 開
- 裝幀：精裝
- ISBN：9787302598657
內容簡介,圖書目錄,作者簡介,
內容簡介
世界充滿了噪聲和不確定性。機率深度學習模型可對這些噪聲和不確定性進行建模，並將所建的模型套用於現實世界，幫助深度學習工程師評估其結果的準確性、發現錯誤，並加深他們對算法工作原理的理解。這對自動駕駛汽車和科學測試來說至關重要。《機率深度學習 使用Python、 Keras和TensorFlow Probability》 是關於神經網路原理的實踐指南，引導讀者學習使用不同數據類型的正確分布來提升網路性能，同時推導貝葉斯變體，以通過表達模型自身的不確定性來提高準確性。本書採用了主流的實現框架，提供了易於套用的代碼，讓讀者更加注重實際套用。
主要內容
●探索深度學習的 MLE (maximum likelihood estimation)原理和統計學基礎
●發現能輸出各種可能結果的機率模型
●學習使用標準化流來建模和生成複雜分布
●使用貝葉斯神經網路獲取模型中的不確定性
圖書目錄
第Ⅰ部分 深度學習基礎
第1章 機率深度學習簡介 3
1.1 機率模型初探 4
1.2 初步了解深度學習 7
1.3 分類 10
1.3.1 傳統圖像分類方法 11
1.3.2 深度學習圖像分類方法 15
1.3.3 非機率分類 17
1.3.4 機率分類 18
1.3.5 貝葉斯機率分類 19
1.4 曲線擬合 21
1.4.1 非機率曲線擬合 21
1.4.2 機率曲線擬合 23
1.4.3 貝葉斯機率曲線擬合 25
1.5 何時使用和何時不使用深度學習 26
1.5.1 不宜使用深度學習的情況 27
1.5.2 適宜使用深度學習的情況 27
1.5.3 何時使用和何時不使用機率模型 28
1.6 你將在本書中學到什麼 28
1.7 小結 29
第2章 神經網路架構 31
2.1 全連線神經網路(fcNN) 32
2.1.1 人工神經網路的生物學原型 33
2.1.2 神經網路的實現入門 35
2.1.3 使用全連線神經網路對圖像進行分類 48
2.2 用於圖像類數據的卷積神經網路 56
2.2.1 卷積神經網路架構中的主要思想 57
2.2.2 “邊緣愛好者”最小卷積神經網路 61
2.2.3 卷積神經網路架構的生物學起源 64
2.2.4 建立和理解卷積神經網路 66
2.3 用於序列數據的一維卷積神經網路 72
2.3.1 時序數據格式 73
2.3.2 有序數據有何特別之處 74
2.3.3 時間序列數據網路架構 75
2.4 小結 77
第3章 曲線擬合原理 79
3.1 曲線擬合中的“Hello World” 81
3.2 梯度下降法 88
3.2.1 具有一個模型自由參數的損失函式 89
3.2.2 具有兩個模型自由參數的損失函式 93
3.3 深度學習中的特殊技巧 98
3.3.1 小批量梯度下降 99
3.3.2 使用隨機梯度下降改進算法來加快學習速度 100
3.3.3 自動微分 100
3.4 深度學習框架中的反向傳播 101
3.4.1 靜態圖框架 102
3.4.2 動態圖框架 112
3.5 小結 114
第Ⅱ部分 機率深度學習模型的最大似然方法
第4章 最大似然定義損失函式 117
4.1 損失函式之母——最大似然原則 118
4.2 分類問題損失函式推導 124
4.2.1 二元分類問題 125
4.2.2 兩個以上類別分類問題 133
4.2.3 負對數似然、交叉熵和K-L散度之間的關係 137
4.3 回歸問題損失函式推導 140
4.3.1 使用無隱藏層、單輸出神經網路對輸入與輸出的線性關係進行建模 140
4.3.2 採用具有隱藏層的神經網路對輸入與輸出的非線性關係進行建模 151
4.3.3 採用兩輸出神經網路對異方差回歸任務進行建模 153
4.4 小結 159
第5章 基於TensorFlow機率編程的機率深度學習模型 161
5.1 不同機率預測模型的評價和比較 165
5.2 TFP機率編程概述 166
5.3 基於TFP機率編程的連續數據建模 171
5.3.1 常量方差線性回歸模型的擬合與評估 172
5.3.2 變方差線性回歸模型的擬合與評估 176
5.4 基於TFP的計數數據建模 182
5.4.1 適用於計數數據的泊松分布 187
5.4.2 擴展泊松分布為零膨脹泊松(ZIP)分布 193
5.5 小結 197
第6章 “野外世界”中的機率深度學習模型 198
6.1 高級深度學習模型中的靈活機率分布 200
6.1.1 多項式分布作為一種靈活分布 201
6.1.2 理解離散邏輯混合 204
6.2 案例研究：巴伐利亞公路傷亡事故 208
6.3 與流同行：標準化流(NF)簡介 210
6.3.1 標準化流的基本原理 212
6.3.2 機率變數變換 215
6.3.3 標準化流模型擬合 222
6.3.4 連結流以實現深度變換 224
6.3.5 高維空間變換* 229
6.3.6 流操作的網路實現 232
6.3.7 有趣的流模型：人臉圖像採樣 239
6.4 小結 245
第Ⅲ部分 機率深度學習模型的貝葉斯方法
第7章 貝葉斯學習 249
7.1 非貝葉斯深度學習的弊端，以房間裡的大象為例 250
7.2 初始貝葉斯方法 255
7.2.1 貝葉斯模型：黑客式 255
7.2.2 我們剛剛做了什麼 260
7.3 貝葉斯機率模型 261
7.3.1 貝葉斯模型訓練和預測 263
7.3.2 投擲硬幣，貝葉斯模型的“Hello World” 270
7.3.3 貝葉斯線性回歸模型回顧 282
7.4 小結 288
第8章 貝葉斯神經網路 289
8.1 貝葉斯神經網路概述 291
8.2 變分推理貝葉斯近似 293
8.2.1 深入了解變分推理* 294
8.2.2 變分推理簡單套用* 300
8.3 變分推理TFP實現 309
8.4 蒙特卡羅dropout貝葉斯近似 312
8.4.1 經典dropout訓練方法 313
8.4.2 在訓練和測試過程中採用蒙特卡羅dropout 317
8.5 案例研究 320
8.5.1 回歸中的外推問題 320
8.5.2 分類任務中新類別問題 326
8.6 小結 336
術語和縮寫詞的詞表 337
作者簡介
Oliver Dürr是德國康斯坦茨套用科學大學的教授，研究方向為數據科學。Beate Sick在蘇黎世套用科技大學擔任套用統計學教授，在蘇黎世大學擔任研究員和講師，在蘇黎世聯邦理工學院擔任講師。Elvis Murina是一名研究科學家，負責本書附帶的大量練習代碼的編寫。
Dürr和Sick都是機器學習和統計方面的專家。他們指導了大量以深度學習為研究方向的學士、碩士和博士論文，並策劃和開展了多門研究生、碩士層次的深度學習課程。三位作者自2013年以來一直從事深度學習方法的研究，在相關教學和機率深度學習模型開發方面都擁有豐富的經驗。
