课程主页: https://www.coursera.org/learn/probabilistic-deep-learning-with-tensorflow2
欢迎来到《使用TensorFlow 2进行概率深度学习》课程的介绍！这一课程是对前两门课程基础概念和技能的深入扩展，专注于深度学习中的概率方法。随着数据科学和人工智能技术的进步，处理现实数据集中的噪声和不确定性变得越来越重要，而这正是本课程所要探讨的核心内容。
课程的第一周将介绍TensorFlow分布（TensorFlow Distributions），你将学习如何使用TensorFlow Probability（TFP）库中的Distribution对象，并掌握从这些分布中采样和计算概率的关键方法。此外，你还将学习如何使这些分布可训练。在本周的编程作业中，你将通过在Iris数据集上实现朴素贝叶斯分类器来将所学知识应用于实践。
接下来的几周将深入探讨不同的概念。在第二周，你将学习如何使用TFP中的概率层和贝叶斯神经网络来考虑输出的不确定性，尤其是在医疗诊断等安全关键的应用中，了解模型预测的不确定性尤为重要。在本周的作业中，你将开发一个贝叶斯卷积神经网络（CNN），处理MNIST及其变体数据集。
第三周将聚焦于Bijectors和归一化流（normalising flows），这一强大的生成模型旨在通过一系列双射变换建模底层数据分布。在此阶段，你将学习如何利用TFP的bijector对象实现这些变换，并为LSUN卧室数据集开发RealNVP归一化流模型。
第四周将对变分自编码器（Variational Autoencoders）进行详细讲解。这种模型的流行主要源于它能够以高效的方式学习数据的潜在表征。你将实现一个VAE，并利用该模型进行数据的压缩编码及生成新样本。
最后，课程的顶点项目将结合你所学的所有知识，要求你创建一个合成图像数据集，并在该数据集上训练变分自编码器，以展示整合运用概率深度学习模型的能力。
总之，这门课程提供了关于概率深度学习的深入了解，通过理论学习及实践作业，帮助学习者建立应对复杂数据集不确定性的能力。如果你对深度学习感兴趣，尤其是想要探索如何量化模型不确定性，那么这门课程无疑是一个非常好的选择。
课程主页: https://www.coursera.org/learn/probabilistic-deep-learning-with-tensorflow2