贝叶斯推断原理
{{ interaction.likeNum == 0 ? (pageType === 'video' ? '抢首赞' : '点赞') : formatNumber(interaction.likeNum) }}
{{ interaction.collectionNum == 0 ? '收藏' : formatNumber(interaction.collectionNum) }}
{{ interaction.discussNum == 0 ? (pageType === 'video' ? '抢沙发' : '讨论') : formatNumber(interaction.discussNum) }}
分享
适合人群
计算机、互联网、多媒体、人工智能、智能化管线、智慧城市等it智能行业
你将会学到
将现代人工智能的思想揉入到强大的贝叶斯深度学习的框架中,通过一些可解释的模型运用到常用的实验环境中。
课程简介
对于现代人工智能基石之一深度学习的模型,人们往往对其有所怀疑,因为无法很好地给出人类能够接受的解释。因此我们需要引入一些机制使得对于复杂模型能够有更为深入的理解,可解释模型其实一大类的技术集合。我们本节会给出适当的背景知识和应用场景。
概率图模型是深度学习之前一波重要的工作,其研究的模型具备非常良好的特性,在研究过程中能够刻画人类可以理解的先验知识。我们给出概率图模型基本原理和相关技术,学习一门重要的数学语言。为了更好地介绍我们的重点内容,会给出贝叶斯推断的基本原理和技术,这是更好地设计模型需要的重要技术。深度学习的发展催生了大量的技术突破,但对于模型的深入理解仍然缺乏手段。贝叶斯深度学习作为将两种技术结合的尝试将会成为接下来一段时间内重要发展方向。我们本节课给出贝叶斯深度学习的原理和技术点的介绍。
通过常用的实践环境来帮助大家更好地学习贝叶斯深度学习,这些是可解释模型学习和研究的重要手段。
展开更多
{{tips.text}}
{{ noteHeaderTitle }}
笔记{{ hasMyNote ? '我的笔记' : '记笔记' }}
{{ hasMyNote ? '我的笔记' : '记笔记' }}
优质笔记
更新于:{{ $dayjs.formate('YYYY-MM-DD HH:mm:ss', item.last_uptime*1000) }}
{{ detail.username }}
公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
公开笔记
保存提问
讲师收到你的提问会尽快为你解答。若选择公开提问,可以获得更多学员的帮助。
记录时间点
记录提问时视频播放的时间点,便于后续查看
公开提问
提交9课时
第三部分 循环神经网络原理及模型视频课程
6470人学习
百度AI官方账号
4.6
免费
5课时
第四部分 CNN和RNN的应用视频课程
4787人学习
百度AI官方账号
4.3
免费
8课时
第二部分 让机器能“看”的现代技术视频课程
3066人学习
百度AI官方账号
4.8
免费
5课时
第八部分 可解释的模型及应用
2514人学习
百度AI官方账号
4.8
免费
6课时
第六部分 搜索排序学习应用视频课程
1036人学习
百度AI官方账号
5.0
免费
170课时
人工智能-深度学习框架-Tensorflow案例实战视频课程
282902人学习
唐宇迪
4.9
¥198.00
30课时
人工智能深度学习入门视频课程
282746人学习
唐宇迪
4.9
¥49.00
13课时
师傅带徒弟学Python:项目实战1:网络爬虫与抓取股票数据
272317人学习
关东升
4.9
¥69.00