【干货】PyMC3和Theano代码构建贝叶斯深度网络，61页PPT探索贝叶斯深度学习以及实现（附下载）

【导读】近日，Novartis的数据科学家 Eric J. Ma 进行了一次关于贝叶斯深度学习理论和实现的演讲，演讲题目是《An Attempt At Demystifying Bayesian Deep Learning》，在这次演讲中，目的是要做两件事情：揭秘深度学习的本质（实质上是用梯度下降进行带权值的矩阵乘法），并揭秘贝叶斯深度学习（将先验信息加在权值上）。 然后，作者通过PyMC3和Theano代码来说明如何构建贝叶斯深度网络，并将结果中的不确定性进行可视化，这个PPT和视频内容是学习贝叶斯深度学习非常好的资料，建议大家收藏。

▌内容目录

• 简要介绍深度学习：
  • 是一种使用矩阵运算的模型；
  • 并行：线性回归/非线性回归/前馈神经网络结构（Feed Forward NN Architecture）
• 我们估计哪些参数
  • 权值
  • 过滤器值（卷积）
  • 用梯度下降进行估计
• 我们缺少什么？不确定性措施：
  • 最重要的原因是：我们能否判断我们的模型对预测是否有信心？
• 贝叶斯深度学习的本质：
  • 估计参数的概率分布，而不是原来的点估计
  • 最常见的先验：权值矩阵上的单位高斯
• 代码示例：
  • 用前馈神经网络进行二分类
  • 前馈神经网络的非线性回归
• 参考文献：
  • “twiecki”的博客
  • Yarin Gal thesis + papers

▌演讲视频

https://v.qq.com/x/page/q05242qwejm.html

参考链接：

https://pydata.org/nyc2017/schedule/presentation/39/

https://ericmjl.github.io/

▌PPT详细内容

请关注专知公众号

• 后台回复“DBDL” 就可以获取An Attempt At Demystifying Bayesian Deep Learning PPT下载