机读格式显示(MARC)

• 000 01751nam0 2200361 450

• 001 0000411316

• 005 20230324151200.0

• 010 __ |a 978-7-302-59865-7 |b 精装 |d CNY98.00

• 021 __ |a CN |b 01-2021-6998

• 049 __ |a A330300WZL |b UCS01011038042 |c 2005637384

• 100 __ |a 20220601d2022 em y0chiy50 ea

• 101 1_ |a chi |c ger

• 102 __ |a CN |b 110000

• 105 __ |a a z 000yy

• 106 __ |a r

• 200 1_ |a 概率深度学习 |A Gai Lv Shen Du Xue Xi |e 使用Python、Keras和TensorFlow Probability |f (德)奥利弗·杜尔(Oliver Dürr)，(德)贝亚特·西克(Beate Sick)，(德)埃尔维斯·穆里纳(Elvis Murina)著 |g 崔亚奇，唐田田，但波译

• 210 __ |a 北京 |c 清华大学出版社 |d 2022

• 215 __ |a 14,336页 |c 图 |d 21cm

• 312 __ |a 版权页英文题名：Probabilistic deep learning: with Python, Keras and TensorFlow probability

• 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_ |a Probabilistic deep learning |e with Python, Keras and TensorFlow Probability |z eng

• 606 0_ |a 机器学习 |A Ji Qi Xue Xi

• 690 __ |a TP181 |v 5

• 701 _0 |c (德) |a 杜尔 |A Du Er |c (Dürr, Oliver) |4 著

• 701 _0 |c (德) |a 西克 |A Xi Ke |c (Sick, Beate) |4 著

• 701 _0 |c (德) |a 穆里纳 |A Mu Li Na |c (Murina, Elvis) |4 著

• 702 _0 |a 崔亚奇 |A Cui Ya Qi |4 译

• 702 _0 |a 唐田田 |A Tang Tian Tian |4 译

• 702 _0 |a 但波 |A Dan Bo |4 译

• 801 _2 |a CN |b OLCC |c 20220801

• 801 _0 |a CN |b A330300WZL |c 20220608

• 905 __ |a XATU |d TP181/307

• 920 __ |a 261060 |z 1