通过《概率深度学习 使用Python、Keras和TensorFlow Probability》，我们希望将深度学习的基础概率原理介绍给更广泛的读者。实质上，在深度学习中，几乎所有的神经网络都是概率模型。
这其中有两个强大的概率原理，它们分别是最大似然和贝叶斯。 其中最大似然支配着所有传统的深度学习方法。将网络理解为采用 最大似然原理训练得到的概率模型，可以帮助提高网络性能，就像 谷歌从 WaveNet 提升到 WaveNet++时所做的那样，也可以用来生成令人惊叹的应用程序，就像 OpenAI 在 Glow(Glow 是一个生成逼真人脸图像的强大网络)中所做的那样。当网络需要表达“我不确定” 时，贝叶斯方法就会发挥作用。奇怪的是，传统的神经网络无法做到这一点。本书的副标题是“使用 Python、Keras 和 TensorFlow Probability”，它反映了这样一个事实：你应该亲自动手编写一些代码。
读者对象 《概率深度学习 使用Python、Keras和TensorFlow Probability》 是为那些想要了解深度学习的基本概率原理的人编写的。 理想情况下，你最好具有一些深度学习或机器学习方面的基础，不 会抵触少许的数学和 Python 代码。我们不会省去必要的数学推导， 同时在代码中也会包含示例。我们相信将数学与代码相结合，更能加深你的理解
想了解更多关于《概率深度学习 使用Python、Keras和TensorFlow Probability》的内容，请点击：
《概率深度学习 使用Python、Keras和TensorFlow Probability》([德]奥利弗·杜尔（Oliver Dürr），贝亚特·西克（Beate Sick）)【摘要 书评 试读】- 京东图书京东JD.COM图书频道为您提供《概率深度学习 使用Python、Keras和TensorFlow Probability》在线选购，本书作者：，出版社：清华大学出版社。买图书，到京东。网购图书，享受最低优惠折扣!https://item.jd.com/13130263.html
