机读格式显示(MARC)

• 000 01701nam0 2200337 450

• 001 0000430689

• 005 20221028181500.0

• 010 __ |a 978-7-302-59865-7 |b 精装 |d CNY98.00

• 100 __ |a 20220927d2022 em y0chiy50 ea

• 101 1_ |a chi |c ger

• 102 __ |a CN |b 110000

• 105 __ |a a z 000yy

• 106 __ |a r

• 200 1_ |a 概率深度学习 |A gai lv shen du xue xi |e 使用Python、Keras和TensorFlow Probability |f (德) 奥利弗·杜尔, 贝亚特·西克, 埃尔维斯·穆里纳著 |g 崔亚奇, 唐田田, 但波译

• 210 __ |a 北京 |c 清华大学出版社 |d 2022

• 215 __ |a XIV, 336页 |c 图 |d 21cm

• 312 __ |a 英文题名取自封面

• 314 __ |a 奥利弗·杜尔, 德国康斯坦茨应用科学大学的教授。贝亚特·西克, 在苏黎世应用科技大学担任应用统计学教授, 并在苏黎世大学担任研究员和讲师。埃尔维斯·穆里纳, 一名数据科学家。

• 330 __ |a 本书是关于神经网络原理的实践指南, 引导读者学习使用不同数据类型的正确分布来提升网络性能, 同时推导贝叶斯变体, 以通过表达模型自身的不确定性来提高准确性。本书采用了主流的实现框架, 提供了易于应用的代码, 让读者更加注重实际应用。主要内容是探索深度学习的最大似然原理和统计学基础, 发现能输出各种可能结果的概率模型, 学习使用标准化流来建模和生成复杂分布, 使用贝叶斯神经网络获取模型中的不确定性。

• 510 1_ |a Probabilistic deep learning |e with python, keras and tensorflow probability |z eng

• 517 0_ |a 使用Python、Keras和TensorFlow Probability

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _1 |a 杜尔 |A du er |g (Durr, Oliver) |4 著

• 701 _1 |a 西克 |A xi ke |g (Sick, Beate) |4 著

• 701 _1 |a 穆里纳 |A mu li na |g (Murina, Elvis) |4 著

• 702 _0 |a 崔亚奇 |A cui ya qi |4 译

• 702 _0 |a 唐田田 |A tang tian tian |4 译

• 702 _0 |a 但波 |A dan bo |4 译

• 801 _0 |a CN |b AUSTL |c 20221025

• 905 __ |a AUSTL |d TP181/D289