新書推薦:
《
黄金、石油和牛油果:16件商品中的拉丁美洲发展历程
》
售價:HK$
86.9
《
母亲的选择:看不见的移民保姆与女性工作
》
售價:HK$
74.8
《
城邦政治与灵魂政治——柏拉图《理想国》中的政治哲学研究
》
售價:HK$
129.8
《
3分钟漫画墨菲定律:十万个为什么科普百科思维方式心理学 胜天半子人定胜天做事与成事的权衡博弈之道
》
售價:HK$
54.8
《
1911:危亡警告与救亡呼吁
》
售價:HK$
76.8
《
旷野人生:吉姆·罗杰斯的全球投资探险
》
售價:HK$
75.9
《
笼中王国 : 18世纪法国的珍禽异兽与社会文化
》
售價:HK$
74.8
《
思考的框架3:风靡华尔街的思维训练法
》
售價:HK$
64.9
編輯推薦:
贝叶斯深度学习、深度集成学习、集成学习、贝叶斯推理等这些术语以及这些理论的推理过程,会让人望而生畏,畏葸不前。不过,本书并不是一本讨论贝叶斯深度学习理论的著作,而是将理论进行了简化,着重讲述其代码实现,以及贝叶斯深度学习工具集使用方面的实战技巧。本书内容共分三部分,第一部分(第 1~3 章)是基础概念和理论,主要介绍深度学习的发展历史和局限性,以及它与贝叶斯推理结合的时机、贝叶斯推理基础、深度学习基础;第二部分(第4~7 章)主要介绍贝叶斯深度学习的基本思想、使用原则、标准工具集代码实现、实际考虑因素;第三部分(第 8~9 章),讲述贝叶斯深度学习的应用和发展趋势。本书内容新颖、实战性强,填补了目前该领域的市场空白。此外,如果读者想进一步深入学习贝叶斯推理、集成学习等方面的主题,可参阅译者翻译的《概率图模型原理与应用(第2 版)》《Python 贝叶斯建模与计算》和《集成学习实战》等图书。
內容簡介:
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
關於作者:
Matt Benatan博士是搜诺思(Sonos)的首席研究科学家,主要负责智能个性化系统的研究。他还获得了曼彻斯特大学的西蒙工业奖学金,并在那里合作开展了多个人工智能研究项目。Matt在利兹大学获得了视听语音处理博士学位,之后进入工业界,在信号处理、材料发现和欺诈检测等多个领域开展机器学习研究。Matt曾与他人合著了Wiley出版社出版的Deep learning for Physical Scientists一书,他目前的主要研究兴趣包括面向用户的人工智能、优化和不确定性估计。
Matt不仅要对妻子Rebecca的关心、耐心和支持深表感激,也要对父母Dan和Debby的不懈热情、指导和鼓励深表感激。
Jochem Gietema在阿姆斯特丹学习哲学和法律,毕业后转入机器学习领域。他目前在伦敦的Onfido公司担任应用科学家,在计算机视觉和异常检测领域开发并部署了多项专有的解决方案。Jochem热衷于研究不确定性估计、交互式数据可视化以及用机器学习解决现实世界中的问题。
Marian Schneider博士是机器学习和计算机视觉领域的应用科学家。他在马斯特里赫特大学获得了计算视觉神经科学博士学位。此后,他从学术界转入工业界,开发了一些机器学习解决方案并将其应用于多种产品,涵盖从大脑图像分割到不确定性估计,再到移动电话设备上更智能的图像获取等方面。
Marian非常感谢他的伴侣Undine,因为在本书的写作过程中Undine给予了他大力支持,尤其是在周末的宝贵时光里陪伴他,从而使本书的写作工作得以顺利进行。
目錄 :
第1章 深度学习时代的贝叶斯推理 1
1.1 技术要求 2
1.2 深度学习时代的奇迹 2
1.3 了解深度学习的局限性 4
1.3.1 深度学习系统中的偏见 4
1.3.2 过高置信预测导致危险 5
1.3.3 变化趋势 6
1.4 核心主题 7
1.5 设置工作环境 8
1.6 小结 9
第2章 贝叶斯推理基础 11
2.1 重温贝叶斯建模知识 11
2.2 通过采样进行贝叶斯推理 14
2.2.1 近似分布 14
2.2.2 利用贝叶斯线性回归实现概率推理 17
2.3 探讨高斯过程 20
2.3.1 用核定义先验信念 22
2.3.2 高斯过程的局限性 27
2.4 小结 28
2.5 延伸阅读 28
第3章 深度学习基础 29
3.1 技术要求 29
3.2 多层感知器 29
3.3 回顾神经网络架构 32
3.3.1 探索卷积神经网络 32
3.3.2 探索循环神经网络 35
3.3.3 注意力机制 37
3.4 理解典型神经网络存在的问题 38
3.4.1 未经校准和过高置信的预测 39
3.4.2 预测分布外数据 41
3.4.3 置信度高的分布外预测示例 44
3.4.4 易受对抗性操纵的影响 48
3.5 小结 52
3.6 延伸阅读 52
第4章 贝叶斯深度学习介绍 55
4.1 技术要求 56
4.2 理想的贝叶斯神经网络 56
4.3 贝叶斯深度学习基本原理 58
4.3.1 高斯假设 58
4.3.2 不确定性的来源 60
4.3.3 超越极大似然:似然的重要性 63
4.4 贝叶斯深度学习工具 66
4.5 小结 69
4.6 延伸阅读 69
第5章 贝叶斯深度学习原理方法 71
5.1 技术要求 71
5.2 解释符号 72
5.3 深度学习中熟悉的概率概念 72
5.4 通过反向传播进行贝叶斯推理 75
5.5 使用TensorFlow实现贝叶斯反向传播 78
5.6 使用概率反向传播扩展贝叶斯深度学习 82
5.7 实现概率反向传播 85
5.8 小结 94
5.9 延伸阅读 95
第6章 使用标准工具箱进行贝叶斯深度学习 97
6.1 技术要求 98
6.2 通过舍弃引入近似贝叶斯推理 98
6.2.1 利用舍弃进行近似贝叶斯推理 99
6.2.2 实现MC舍弃 100
6.3 使用集成学习进行模型不确定性估计 101
6.3.1 集成学习介绍 101
6.3.2 引入深度集成学习 101
6.3.3 实现深度集成学习 103
6.3.4 深度集成学习的实际局限性 106
6.4 探索用贝叶斯最后一层方法增强神经网络 106
6.4.1 贝叶斯推理的最后一层方法 107
6.4.2 最后一层MC舍弃 113
6.4.3 最后一层方法小结 115
6.5 小结 115
第7章 贝叶斯深度学习的实际考虑因素 117
7.1 技术要求 117
7.2 平衡不确定性质量和计算考虑因素 118
7.2.1 设置实验 118
7.2.2 分析模型性能 121
7.2.3 贝叶斯深度学习模型的计算考虑因素 124
7.2.4 选择正确的模型 126
7.3 贝叶斯深度学习和不确定性来源 127
7.4 小结 143
7.5 延伸阅读 143
第8章 贝叶斯深度学习应用 145
8.1 技术要求 145
8.2 检测分布外数据 145
8.2.1 探讨分布外检测问题 146
8.2.2 系统评估分布外检测性能 150
8.2.3 无需重新训练的简单分布外检测 151
8.3 应对数据集漂移的鲁棒方法 153
8.3.1 测量模型对数据集漂移的响应 153
8.3.2 用贝叶斯方法揭示数据集漂移 154
8.4 通过不确定性选择数据来保持模型的新鲜度 169
8.5 利用不确定性估计进行更智能的强化学习 179
8.6 对对抗性输入的敏感性 197
8.7 小结 201
8.8 延伸阅读 201
第9章 贝叶斯深度学习的发展趋势 203
9.1 贝叶斯深度学习的当前趋势 203
9.2 如何应用贝叶斯深度学习方法解决现实世界中的问题 206
9.3 贝叶斯深度学习的最新方法 207
9.3.1 结合MC舍弃和深度集成学习 207
9.3.2 通过促进多样性改进深度集成学习 208
9.3.3 超大网络中的不确定性 209
9.4 贝叶斯深度学习的替代方案 211
9.4.1 可扩展的高斯过程 211
9.4.2 深度高斯过程 213
9.5 贝叶斯深度学习的下一步工作 213
9.6 延伸阅读 214
內容試閱 :
在过去的十年中,机器学习领域取得了长足的进步,并因此激发了公众的想象力。但我们必须记住,尽管这些算法令人印象深刻,但它们并非完美无缺。本书旨在通过平实的语言介绍如何在深度学习中利用贝叶斯推理,帮助读者掌握开发“知其所不知”模型的工具。这样,开发者就能开发出更鲁棒的深度学习系统,以便更好地满足现今基于机器学习的应用需求。
本书读者对象
本书面向从事机器学习算法开发和应用的研究人员、开发人员和工程师,以及希望开始使用不确定性感知深度学习模型的人员。
本书主要内容
第1章“深度学习时代的贝叶斯推理”介绍传统深度学习方法的用例和局限性。
第2章“贝叶斯推理基础”讨论贝叶斯建模和推理,同时探索了贝叶斯推理的黄金标准机器学习方法。
第3章“深度学习基础”介绍深度学习模型的主要构建模块。
第4章“贝叶斯深度学习介绍”结合第2章和第3章介绍的概念讨论贝叶斯深度学习。
第5章“贝叶斯深度学习原理方法”介绍贝叶斯神经网络近似的原理方法。
第6章“使用标准工具箱进行贝叶斯深度学习”介绍利用常见的深度学习方法推进模型不确定性估计。
第7章“贝叶斯深度学习的实际考虑因素”探讨和比较第5章和第6章介绍的方法的优缺点。
第8章“贝叶斯深度学习应用”概述贝叶斯深度学习的各种实际应用,如检测分布外数据或数据集漂移的鲁棒性。
第9章“贝叶斯深度学习的发展趋势”讨论贝叶斯深度学习的一些最新发展趋势。
如何充分利用本书
为了充分利用本书,你需要具备一定的机器学习和深度学习先验知识,并熟悉贝叶斯推理的相关概念。掌握一些使用Python和机器学习框架(如TensorFlow或PyTorch)的实用知识也很有价值,但并非必要。
建议使用Python 3.8或更高版本,因为本书所有代码都已经通过Python 3.8的测试。第1章将给出为本书中的示例代码设置环境的详细说明。
下载示例代码文件和彩色图片
本书的代码包也托管在GitHub上,网址是https://github.com/PacktPublishing/Enhancing- Deep-Learning-with-Bayesian-Inference。如果代码有更新,将在现有的GitHub仓库中进行更新。读者也可以通过扫描封底的二维码下载本书的示例代码文件。
另外,我们还提供了一个PDF文件,其中包含本书所有截图/图表的彩色图片,通过扫描封底的二维码可下载该PDF文件。本书文前页中的“彩插”部分也列出了书中提到的部分彩色图片,供读者在阅读时方便查看。