澳大利亚新华书店网

Python贝叶斯深度学习
所属分类：电子电脑>>电工无线电自动化>>自动化技术作者：(英)马特·贝纳坦//约赫姆·吉特马//玛丽安·施耐德|责编:王军|译者:郭涛出版社：清华大学
深度学习正日益深刻地渗入我们的生活，从建议内容到在任务关键型和安全关键型应用中发挥核心作用，其影响无所不在。然而，随着这些算法影响力的逐渐扩大，人们对于依赖这些算法的系统安全性和鲁棒性的担忧也日益加剧。简言之，传统的深度学习方法往往难以察觉自身的知识边界，即它们“不知其所不知”。贝叶斯深度学习（Bayesian Deep Learning ，BDL）领域包含一系列利用深度网络进行近似贝叶斯推理的方法。这些方法通过揭示模型对其预测结果的置信度，增强了深度学习系统的鲁棒性，使我们能够更谨慎地将模型预测融入实际应用中。《Python贝叶斯深度学习》将引领你踏入迅速发展的不确定性感知深度学习领域，助你深入理解不确定性估计在构建鲁棒性的机器学习系统中的重要价值。你将学习多种流行的BDL方法，并通过涵盖多种应用场景的 Python实用示例来掌握这些方法的实现技巧。读完本书后，你将深刻理解BDL及其优势，并能够为更安全、更鲁棒的深度学习系统开发贝叶斯深度学习模型。主要内容：了解贝叶斯推理和深度学习的优缺点了解贝叶斯神经网络（Bayesian Neural Network ，BNN）的基本原理了解主要贝叶斯神经网络实现/近似之间的差异了解生产环境中概率深度神经网络的优势在Python代码中实现各种贝叶斯深度学习方法运用贝叶斯深度学习方法解决实际问题学习如何评估贝叶斯深度学习方法并为特定任务选择最佳方法在实际深度学习应用中处理“分布外”数据
售价：31.92

机器学习贝叶斯优化
所属分类：电子电脑>>电工无线电自动化>>自动化技术作者：(美)阮泉|责编:王军|译者:殷海英出版社：清华大学
《机器学习贝叶斯优化》一书将教你如何运用贝叶斯方法创建高效的机器学习流程。本书呈现了处理大型数据集、调优超参数以及探索复杂搜索空间的实用技巧。书中内容生动有趣，包含丰富的插图和引人入胜的实例，如优化咖啡的甜度、天气预测建模，甚至用科学逻辑揭秘超自然现象。你将学会多目标决策场景下的资源分配策略、成本敏感型问题的量化决策方法，以及成对比较问题的概率建模技巧。针对稀疏和大数据集的高斯过程超参数调优策略高性能参数区域的识别方法基于 PyTorch/GPyTorch/BoTorc h的代码实现。
售价：39.92

机器学习(贝叶斯和优化方法原书第2版)/智能科学与技术丛书
所属分类：电子电脑>>电工无线电自动化>>自动化技术作者：(希)西格尔斯·西奥多里蒂斯|责编:曲熠|译者:王刚//李忠伟//任明明//李鹏出版社：机械工业
丛书项：智能科学与技术丛书
《机器学习：贝叶斯和优化方法（原书第2版）》对所有重要的机器学习方法和新近研究趋势进行了深入探索，通过讲解监督学习的两大支柱—— 回归和分类，站在全景视角将这些繁杂的方法一一打通，形成了明晰的机器学习知识体系。新版对内容做了全面更新，使各章内容相对独立。全书聚焦于数学理论背后的物理推理，关注贴近应用层的方法和算法，并辅以大量实例和习题，适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计／自适应信号处理、统计／贝叶斯学习、稀疏建模和深度学习等课程的学生参考。此外，《机器学习：贝叶斯和优化方法（原书第2版）》的所有代码均可免费下载，包含 MATLAB和Python两个版本。《机器学习：贝叶斯和优化方法（原书第2版）》重要更新及特色：重写了关于神经网络和深度学习的章节，以反映自第1版以来的研究进展。这一章从感知器和前馈神经网络的基础概念开始讨论，对深度网络进行了深入研究，涵盖较新的优化算法、批标准化、正则化技术（如Dropout方法）、CNN和RNN、注意力机制、对抗样本和对抗训练、胶囊网络、生成架构（如RBM）、变分自编码器和GAN。扩展了关于贝叶斯学习的内容，包括非参数贝叶斯方法，重点讨论中国餐馆过程（CRP）和印度自助餐过程（IBP）。追踪新的研究趋势，包括稀疏、凸分析与凸优化、在线分布式算法、 RKH空间学习、贝叶斯推断、图模型与隐马尔可夫模型、粒子滤波、深度学习、字典学习和潜变量建模等。提供实用案例分析，包括蛋白质折叠预测、光学字符识别、文本作者身份识别、fMRI数据分析、变点检测、高光谱图像分离、目标定位等。
售价：111.60

机器学习(贝叶斯和优化方法英文版原书第2版)(精)/经典原版书库
所属分类：电子电脑>>电工无线电自动化>>自动化技术作者：(希)西格尔斯·西奥多里蒂斯|责编:曲熠出版社：机械工业
丛书项：经典原版书库
本书对所有重要的机器学习方法和新近研究趋势进行了深入探索，通过讲解监督学习的两大支柱——回归和分类，站在全景视角将这些繁杂的方法一一打通，形成了明晰的机器学习知识体系。新版对内容做了全面更新，使各章内容相对独立。全书聚焦于数学理论背后的物理推理，关注贴近应用层的方法和算法，并辅以大量实例和习题，适合该领域的科研人员和工程师阅读，也适合学习模式识别、统计/ 自适应信号处理、统计/贝叶斯学习、稀疏建模和深度学习等课程的学生参考。此外，本书的所有代码均可免费下载，包含 MATLAB和Python两个版本。第2版重要更新 ·重写了关于神经网络和深度学习的章节，以反映自第1版以来的新进展。这一章从感知器和前馈神经网络的基础概念开始讨论，对深度网络进行了深入研究，涵盖较新的优化算法、批标准化、正则化技术（如 Dropout方法）、CNN和 RNN、注意力机制、对抗样本和对抗训练、胶囊网络、生成架构（如RBM）、变分自编码器和GAN。 ·扩展了关于贝叶斯学习的内容，包括非参数贝叶斯方法，重点讨论中国餐馆过程（CRP）和印度自助餐过程（IBP）。
售价：119.60

商品分类