Probabilistic Deep Learning

Synopsis de Probabilistic Deep Learning

«Probabilistic Deep Learning» est le guide du deep learning probabiliste d'Oliver Duerr, Beate Sick et Elvis Murina (Manning, broché, 296 pages, anglais).

Guide pratique du deep learning probabiliste avec Python, Keras et TensorFlow Probability. Partant du principe de vraisemblance maximale, il apprend à choisir la distribution adaptée à chaque type de données et à construire des réseaux bayésiens qui quantifient l'incertitude de leurs prédictions. Inclut des exercices dans des Jupyter Notebooks.

Publié le 10 novembre 2020. Première édition.

Pour les développeurs et les data scientists ayant des connaissances en Python et en réseaux de neurones qui souhaitent intégrer l'incertitude dans leurs modèles de deep learning.