Die Berücksichtigung von Unsicherheitsquellen ist ein wichtiger Aspekt des Modellierungsprozesses, insbesondere bei sicherheitskritischen Anwendungen wie medizinischen Diagnosen. Die meisten Standardmodelle für Deep Learning quantifizieren die Unsicherheit in ihren Vorhersagen nicht. In dieser Woche werden Sie lernen, wie Sie probabilistische Schichten von TensorFlow Probability verwenden können, um Deep Learning-Modelle zu entwickeln, die in der Lage sind, die Unsicherheit sowohl in den Daten als auch im Modell selbst zu messen. In der Programmieraufgabe dieser Woche werden Sie ein Bayes'sches CNN für die MNIST- und MNIST-C-Datensätze entwickeln.

Normalisierende Flows sind eine leistungsstarke Klasse generativer Modelle, die darauf abzielen, die zugrunde liegende Datenverteilung zu modellieren, indem sie eine einfache Basisverteilung durch eine Reihe von bijektiven Transformationen umwandeln. In dieser Woche werden Sie lernen, wie Sie Bijektor-Objekte aus der TensorFlow Probability Bibliothek verwenden, um diese Transformationen zu implementieren und eine komplexe transformierte Verteilung aus Daten zu lernen. Diese Modelle können verwendet werden, um neue Datengenerationen zu testen und die Wahrscheinlichkeit von Datenbeispielen zu bewerten. In der Programmieraufgabe dieser Woche werden Sie ein RealNVP-Normalisierungsflussmodell für den LSUN-Schlafzimmerdatensatz entwickeln.

Variationale Autoencoder sind eine der beliebtesten Arten von Likelihood-basierten generativen Deep Learning-Modellen. Beim VAE-Algorithmus werden zwei Netzwerke gemeinsam erlernt: ein Encoder oder Inferenznetzwerk sowie ein Decoder oder generatives Netzwerk. In dieser Woche werden Sie lernen, wie Sie VAE mit der TensorFlow Probability Bibliothek implementieren können. Anschließend werden Sie die trainierten Netzwerke verwenden, um Datenbeispiele in einen komprimierten latenten Raum zu kodieren sowie neue Stichproben aus der prioren Verteilung und dem Decoder zu generieren. In der Programmieraufgabe dieser Woche werden Sie den Variational Autoencoder für einen Bilddatensatz mit prominenten Gesichtern entwickeln.

In diesem Kurs haben Sie gelernt, wie man probabilistische Deep Learning Modelle mit Hilfe von Werkzeugen und Konzepten aus der TensorFlow Probability Bibliothek entwickelt, z.B. Verteilungsobjekte, probabilistische Schichten, Bijektoren und KL-Divergenzoptimierung. Das Capstone Project bringt viele dieser Konzepte mit einer Aufgabe zusammen, bei der es darum geht, einen synthetischen Bilddatensatz mit Hilfe von normalisierenden Flows zu erstellen und einen Variational Autoencoder auf dem Datensatz zu trainieren.