La prise en compte des sources d'incertitude est un aspect important du processus de modélisation, en particulier pour les applications critiques en termes de sécurité, telles que les diagnostics médicaux. La plupart des modèles d'apprentissage profond standard ne quantifient pas l'incertitude de leurs prédictions. Cette semaine, vous apprendrez à utiliser les couches probabilistes de TensorFlow Probability pour développer des modèles d'apprentissage profond capables de fournir des mesures d'incertitude à la fois dans les données et dans le modèle lui-même. Dans l'exercice de programmation de cette semaine, vous développerez un CNN bayésien pour les ensembles de données MNIST et MNIST-C.

Les flux de normalisation sont une classe puissante de modèles génératifs, qui visent à modéliser la distribution sous-jacente des données en transformant une distribution de base simple par une série de transformations bijectives. Dans cette semaine, vous apprendrez à utiliser les objets bijecteurs de la bibliothèque Probabilité de TensorFlow pour mettre en œuvre ces transformations et apprendre une distribution complexe transformée à partir de données. Ces modèles peuvent être utilisés pour échantillonner de nouvelles générations de données, ainsi que pour évaluer la probabilité d'exemples de données. Dans le devoir de programmation de cette semaine, vous développerez un modèle de flux de normalisation RealNVP pour l'ensemble de données de la chambre à coucher LSUN.

Les autoencodeurs variationnels sont l'un des types les plus populaires de modèles d'apprentissage profond génératifs basés sur la vraisemblance. Dans l'algorithme VAE, deux réseaux sont appris conjointement : un encodeur ou réseau d'inférence, ainsi qu'un décodeur ou réseau génératif. Au cours de cette semaine, vous apprendrez à mettre en œuvre l'algorithme VAE à l'aide de la bibliothèque TensorFlow Probability. Vous utiliserez ensuite les réseaux formés pour encoder des exemples de données dans un espace latent compressé, ainsi que pour générer de nouveaux échantillons à partir de la distribution préalable et du décodeur. Dans le devoir de programmation de cette semaine, vous développerez l'autoencodeur variationnel pour un ensemble de données d'images de visages de célébrités.

Dans ce cours, vous avez appris à développer des modèles probabilistes d'apprentissage profond en utilisant des outils et des concepts de la bibliothèque TensorFlow Probability, tels que les objets de distribution, les couches probabilistes, les bijecteurs et l'optimisation de la divergence KL. Le projet Capstone rassemble un grand nombre de ces concepts avec une tâche consistant à créer un ensemble de données d'images synthétiques à l'aide de flux de normalisation, et à entraîner un autoencodeur variationnel sur l'ensemble de données.