世界充满了噪声和不确定性。概率深度学习模型可对这些噪声和不确定性进行建模，并将所建的模型应用于现实世界，帮助深度学习工程师评估其结果的准确性、发现错误，并加深他们对算法工作原理的理解。这对自动驾驶汽车和科学测试来说至关重要。
《概率深度学习使用Python、Keras和TensorFlow Probability》是关于神经网络原理的实践指南，引导读者学习使用不同数据类型的正确分布来提升网络性能，同时推导贝叶斯变体，以通过表达模型自身的不确定性来提高准确性。本书采用了主流的实现框架，提供了易于应用的代码，让读者更加注重实际应用。

奥利弗·杜尔（Oliver Dürr），是德国康斯坦茨应用科学大学的教授，研究方向为数据科学。Beate Sick在苏黎世应用科技大学担任应用统计学教授，在苏黎世大学担任研究员和讲师，在苏黎世联邦理工学院担任讲师。EIvis Murina是一名研究科学家，负责本书附带的大量练习代码的编写。
Dürr和Sick都是机器学习和统计方面的专家。他们指导了大量以深度学习为研究方向的学士、硕士和博士论文，并策划和开展了多门研究生、硕士层次的深度学习课程。三位作者自2013年以来一直从事深度学习方法的研究，在相关教学和概率深度学习模型开发方面都拥有丰富的经验。

第Ⅰ部分 深度学习基础
第1章 概率深度学习简介
1.1 概率模型初探
1.2 初步了解深度学习
1.3 分类
1.3.1 传统图像分类方法
1.3.2 深度学习图像分类方法
1.3.3 非概率分类
1.3.4 概率分类
1.3.5 贝叶斯概率分类
1.4 曲线拟合
1.4.1 非概率曲线拟合
1.4.2 概率曲线拟合
1.4.3 贝叶斯概率曲线拟合
1.5 何时使用和何时不使用深度学习
1.5.1 不宜使用深度学习的情况
1.5.2 适宜使用深度学习的情况
1.5.3 何时使用和何时不使用概率模型
1.6 你将在本书中学到什么
1.7 小结
第2章 神经网络架构
2.1 全连接神经网络（fcNN）
2.1.1 人工神经网络的生物学原型
2.1.2 神经网络的实现入门
2.1.3 使用全连接神经网络对图像进行分类
2.2 用于图像类数据的卷积神经网络
……
第Ⅱ部分 概率深度学习模型的最大似然方法
第Ⅲ部分 概率深度学习模型的贝叶斯方法
术语和缩写词的词表