Probabilistic Deep Learning mit TensorFlow

Standard Deep Learning-Modelle machen Vorhersagen mit absoluter Sicherheit, auch wenn sie falsch sind.Probabilistic Deep Learning löst dieses Problem, indem neuronale Netze ihre Zweifel quantifizieren können, was sie sicherer und zuverlässiger für kritische Anwendungen in der realen Welt macht. In diesem schriftlichen Kurs lernen Sie, wie Sie Unsicherheiten in Ihren Daten und Ihren Modellgewichten darstellen, sodass Sie robuste neuronale Netze erstellen können, die anzeigen, wenn sie unsicher sind. Beginnend mit grundlegenden Wahrscheinlichkeitskonzepten entwickeln Sie praktische, probabilistische Architekturen. Was Sie lernen werden: - Verstehen Sie die Kernkonzepte der Wahrscheinlichkeitsverteilungen und der Unsicherheitsquantifizierung im Deep Learning. - Erstellen Sie neuronale Netze, die Wahrscheinlichkeitsverteilungen mit der TensorFlow Probability-Bibliothek ausgeben. - Modellieren Sie die aleatorische Unsicherheit, um das inhärente Rauschen in realen Datensätzen zu erfassen. - Implementierung von Bayesschen neuronalen Netzen zur Abschätzung der epistemischen Unsicherheit in Modellparametern. - Anwenden moderner variationaler Inferenztechniken und Monte Carlo-Methoden zum Trainieren wahrscheinlichkeitstheoretischer Modelle. - Bewerten Sie wahrscheinlichkeitsbasierte Prognosen mit den richtigen Scoring-Regeln und Kalibrierungsmetriken. Der Kurs beginnt mit grundlegenden Begriffen und grundlegendem Verteilungskonzept, bevor Sie durch schriftliche Erklärungen und Code-Snippets für die Konstruktion, das Training und die Auswertung von unsicherheitsbewussten Modellen geführt werden. Dieser Kurs richtet sich an Entwickler, Datenanalysten und Machine-Learning-Enthusiasten, die ein grundlegendes Verständnis von neuronalen Netzen und Python haben und lernen möchten, wie sie mit Unsicherheit in ihren Modellen umgehen können.Es sind keine Vorkenntnisse in der probabilistischen Programmierung erforderlich. Lesen Sie weiter, um Deep-Learning-Modelle zu erstellen, die wissen, was sie nicht wissen.