Python贝叶斯深度学习

作者简介

"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。 "

内容简介

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。