Probabilistisches Deep Learning: Mit Python, Keras und Tensorflow Wahrscheinlichkeitsrechnung

Bewertung: ⭐⭐⭐⭐⭐  (4,4 von 5)

Leserbewertungen

Zusammenfassung:

Das Buch bietet eine intuitive Einführung in die TensorFlow-Wahrscheinlichkeitswerkzeuge und bietet vereinfachte Erklärungen komplexer Konzepte wie Bayes'sche neuronale Netze und Normalisierungsfluss. Es wurde jedoch für seinen oberflächlichen Inhalt, die schlechte Bearbeitung und die begrenzte Tiefe kritisiert, insbesondere im Abschnitt über probabilistisches Deep Learning.

Vorteile:

Intuitive und freundliche Erklärungen, großartige Ressource zum Verständnis der TensorFlow-Wahrscheinlichkeitswerkzeuge, einzigartige Perspektive auf komplexe Konzepte, interessanter Inhalt zu neuronalen Netzen und normalisierendem Fluss.

Nachteile:

Dünner Inhalt, besonders in den einführenden Abschnitten, schlechtes Lektorat mit zahlreichen Fehlern, unzureichende Tiefe in probabilistischem Deep Learning, ein Großteil des Buches ist grundlegendes Einführungsmaterial.

(basierend auf 4 Leserbewertungen)

Originaltitel:

Probabilistic Deep Learning: With Python, Keras and Tensorflow Probability

Inhalt des Buches:

Probabilistic Deep Learning zeigt, wie probabilistische Deep-Learning-Modelle den Lesern die Werkzeuge an die Hand geben, um Unsicherheiten und potenzielle Fehler in ihren Ergebnissen zu identifizieren und zu berücksichtigen.

Beginnend mit der Anwendung des zugrundeliegenden Maximum-Likelihood-Prinzips der Kurvenanpassung auf Deep Learning, werden die Leser zur Verwendung des Python-basierten Tensorflow Probability Frameworks übergehen und Bayes'sche neuronale Netze einrichten, die ihre Unsicherheiten angeben können.

Der Kauf des gedruckten Buches beinhaltet ein kostenloses eBook im PDF-, Kindle- und ePub-Format von Manning Publications.

Weitere Daten des Buches:

• ISBN: 9781617296079
• Autor: Oliver Duerr
• Verlag: Manning Pubn
• Einband: Taschenbuch
• Erscheinungsjahr: 2021
• Seitenzahl: 296