|
000
|
01634nam0 2200313 450
|
|
001
|
CAL 0120227400120
|
|
010
|
|
@a978-7-302-59865-7@b精装@dCNY98.00
|
|
100
|
|
@a20220906d2022 em y0chiy50 ea
|
|
101
|
1
|
@achi@cger
|
|
102
|
|
@aCN@b110000
|
|
105
|
|
@aa z 000yy
|
|
106
|
|
@ar
|
|
200
|
1
|
@a概率深度学习@Agai 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@d2022.03
|
|
215
|
|
@aXIV, 336页@c图@d21cm
|
|
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
|
@aProbabilistic deep learning@ewith python, keras and tensorflow probability@zeng
|
|
606
|
0
|
@a机器学习@Aji qi xue xi
|
|
690
|
|
@aTP181@v5
|
|
701
|
1
|
@a杜尔@Adu er@g(Durr, Oliver)@4著
|
|
701
|
1
|
@a西克@Axi ke@g(Sick, Beate)@4著
|
|
701
|
1
|
@a穆里纳@Amu li na@g(Murina, Elvis)@4著
|
|
702
|
0
|
@a唐田田@Atang tian tian@4译
|
|
702
|
0
|
@a但波@Adan bo@4译
|
|
702
|
0
|
@a崔亚奇@Acui ya qi@4译
|
|
801
|
0
|
@aCN@c20220906
|
|
905
|
|
@a河南城建学院图书馆@dTP181@eD817@f2
|
|
|
|
|
| |
| 概率深度学习：使用Python、Keras和TensorFlow Probability/(德) 奥利弗·杜尔, 贝亚特·西克, 埃尔维斯·穆里纳著/崔亚奇, 唐田田, 但波译.-北京：清华大学出版社，2022.03 |
| XIV, 336页：图；21cm |
| |
| |
| ISBN 978-7-302-59865-7(精装)：CNY98.00 |
| 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。 |
| ● |
正题名：概率深度学习
索取号：TP181/D817
预约/预借
| 序号
|
登录号
|
条形码
|
馆藏地/架位号
|
状态
|
备注
|
|
1
|
1565428
|
215654281
|
自科库301/301自科库 102排8列5层/
[索取号:TP181/D817]
|
在馆
|
|
|
2
|
1565429
|
215654290
|
自科库301/
[索取号:TP181/D817]
|
在馆
|
|
