Boken "Probabilistic Deep Learning" gir leserne verktøyene de trenger for å identifisere og håndtere usikkerhet og potensielle feil i resultater knyttet til dyplæring. Den begynner med å forklare det underliggende maksimal sannsynlighet prinsippet for kurvetilpassing i dyplæring, før leserne lærer å bruke TensorFlow Probability, et Python-basert rammeverk. Gjennom dette rammeverket lærer de hvordan de kan sette opp Bayesianske nevrale nettverk som kan utrykke sin usikkerhet. Boken har flere viktige egenskaper som: - Det maksimale sannsynlighetsprinsippet som ligger til grunn for applikasjoner innen dyplæring. - Probabilistiske DL-modeller som kan indikere et spekter av mulige utfall. - Bayesiansk dyplæring som tar hensyn til usikkerheten som oppstår i virkelige situasjoner. - Anvendelse av probabilistiske prinsipper til variasjonelle auto-enkodere. Denne boken er spesielt rettet mot lesere som har erfaring med utvikling av maskinlærings- eller dyplæringsapplikasjoner, og gir en dypere forståelse av hvordan probabilistiske modeller kan håndtere støy og usikkerhet i virkelige data.
