Probabilistic Deep Learning with TensorFlow

Los modelos de deep learning estándar hacen predicciones con confianza absoluta, incluso cuando se equivocan. El deep learning probabilístico resuelve esto permitiendo que las redes neuronales cuantifiquen sus dudas, haciéndolas más seguras y confiables para aplicaciones críticas del mundo real. En este curso escrito, harás la transición del deep learning determinista al modelado probabilístico. Aprenderás a representar la incertidumbre tanto en tus datos como en los pesos de tu modelo, lo que te permitirá construir redes neuronales robustas que puedan expresar cuándo no están seguras. Comenzando con conceptos fundamentales de probabilidad, progresarás a la codificación de arquitecturas prácticas y probabilísticas. Lo que aprenderás: - Comprender los conceptos centrales de las distribuciones de probabilidad y la cuantificación de la incertidumbre en deep learning. - Construir redes neuronales que generen distribuciones de probabilidad utilizando la biblioteca TensorFlow Probability. - Modelar la incertidumbre aleatoria para capturar el ruido inherente presente en los conjuntos de datos del mundo real. - Implementar redes neuronales bayesianas para estimar la incertidumbre epistémica en los parámetros del modelo. - Aplicar técnicas modernas de inferencia variacional y métodos de Monte Carlo para entrenar modelos probabilísticos. - Evaluar pronósticos probabilísticos utilizando reglas de puntuación adecuadas y métricas de calibración. El curso comienza con terminología fundamental y conceptos básicos de distribución antes de guiarte a través de explicaciones escritas y fragmentos de código para construir, entrenar y evaluar modelos conscientes de la incertidumbre. Este curso está diseñado para desarrolladores, analistas de datos y entusiastas del machine learning que tengan una comprensión básica de redes neuronales y Python, y que deseen aprender a manejar la incertidumbre en sus modelos. No se requiere experiencia previa en programación probabilística. Comienza a leer para construir modelos de deep learning que sepan lo que no saben.