Probabilistisch diep leren met TensorFlow

Standaard deep learning-modellen maken voorspellingen met absoluut vertrouwen, zelfs als ze fout zijn.Probabilistic deep learning lost dit op door neurale netwerken hun twijfels te laten kwantificeren, waardoor ze veiliger en betrouwbaarder worden voor kritieke toepassingen in de echte wereld. In deze schriftelijke cursus ga je van deterministische deep learning naar probabilistische modellering. Je leert hoe je onzekerheid in zowel je data als je modelgewichten kunt weergeven. Zo kun je robuuste neurale netwerken bouwen die kunnen aangeven wanneer ze onzeker zijn. Beginnend met fundamentele waarschijnlijkheidsconcepten, ga je verder met het coderen van praktische, probabilistische architecturen. Wat je leert: - Begrijp de kernconcepten van kansverdelingen en onzekerheidskwantificatie in deep learning. - Bouw neurale netwerken die kansverdelingen uitvoeren met behulp van de TensorFlow Probability-bibliotheek. - Model aleatorische onzekerheid om de inherente ruis vast te leggen die aanwezig is in real-world datasets. - Bayesiaanse neurale netwerken implementeren om epistemische onzekerheid in modelparameters te schatten. - Pas moderne variational inference technieken en Monte Carlo methoden toe om probabilistische modellen te trainen. - Evalueer probabilistische voorspellingen met behulp van de juiste scoringsregels en kalibratie-metrics. De cursus begint met fundamentele terminologie en basisdistributieconcepten voordat u door schriftelijke uitleg en codefragmenten wordt geleid voor het bouwen, trainen en evalueren van onzekerheidsbewuste modellen. Deze cursus is bedoeld voor ontwikkelaars, data-analisten en liefhebbers van machine learning die een basiskennis hebben van neurale netwerken en Python, en willen leren hoe ze onzekerheid in hun modellen kunnen aanpakken.Ervaring met probabilistische programmering is niet vereist. Lees verder om deep learning-modellen te bouwen die weten wat ze niet weten.