• 今日66折
  • 天天BUY
2020簡體週年慶
人工智能技術叢書:遷移學習

人工智能技術叢書:遷移學習

  • 定價:834
  • 優惠價:87726
  • 運送方式:
  • 臺灣與離島
  • 海外
  • 可配送點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
  • 可取貨點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
載入中...
  • 分享
 

內容簡介

本書是關於遷移學習的基礎、方法、技術和應用的一本書。內容分成兩個部分:第壹部分介紹了遷移學習的基礎。第二部分涵蓋了遷移學習的許多應用領域。遷移學習解決的是學習系統如何快速地適應新場景、新任務和新環境。其研究涉及科學和工程的許多領域,包括人工智慧、演算法理論、概率和統計等。本書是一本供經驗豐富的機器學習研究人員和應用程式開發人員使用的參考書。
 

目錄

推薦序
譯者序
前 言

第一部分 遷移學習的基礎

第1章 緒論/2
1.1 人工智慧、機器學習以及遷移學習/2
1.2 遷移學習:定義/6
1.3 與已有機器學習範式的關係/9
1.4 遷移學習的基礎研究問題/11
1.5 遷移學習應用/11
1.5.1 圖像理解/11
1.5.2 生物資訊學和生物成像/12
1.5.3 推薦系統和協同過濾/12
1.5.4 機器人和汽車自動駕駛/13
1.5.5 自然語言處理和文本挖掘/13
1.6 歷史筆記/14
1.7 關於本書/15

第2章 基於樣本的遷移學習/19
2.1 引言/19
2.2 基於樣本的非歸納式遷移學習/20
2.2.1 判別區分來源資料和目標資料/22
2.2.2 核平均匹配/23
2.2.3 函數估計/23
2.3 基於樣本的歸納式遷移學習/24
2.3.1 集成源損失與目標損失/24
2.3.2 Boosting風格的方法/26
2.3.3 樣本生成方法/27

第3章 基於特徵的遷移學習/29
3.1 引言/29
3.2 最小化域間差異/30
3.2.1 *均值差異/30
3.2.2 基於Bregman散度的正則化/34
3.2.3 使用特定分佈假設的度量/34
3.2.4 資料依賴的域差異度量/35
3.3 學習通用特徵/36
3.3.1 學習通用編碼/36
3.3.2 深度通用特徵/37
3.4 特徵增強/38

第4章 基於模型的遷移學習/40
4.1 引言/40
4.2 基於共用模型成分的遷移學習/42
4.2.1 利用高斯過程的遷移學習/42
4.2.2 利用貝葉斯模型的知識遷移/43
4.2.3 利用深度模型的模型遷移/44
4.2.4 其他方法/45
4.3 基於正則化的遷移/45
4.3.1 基於支援向量機的正則化/46
4.3.2 基於多核學習的遷移學習/47
4.3.3 深度模型中的微調方法/48

第5章 基於關係的遷移學習/52
5.1 引言/52
5.2 瑪律可夫邏輯網路/54
5.3 利用瑪律可夫網路的基於關係的遷移學習/55
5.3.1 通過一階邏輯的淺層遷移/55
5.3.2 通過二階邏輯的深度遷移/57
5.3.3 通過結構類比的遷移學習/59

第6章 異構遷移學習/61
6.1 引言/61
6.2 異構遷移學習問題/63
6.3 方法/63
6.3.1 異構特徵空間/64
6.3.2 異構標籤空間/78
6.4 應用/79

第7章 對抗式遷移學習/82
7.1 引言/82
7.2 生成對抗網路/83
7.3 採用對抗式模型的遷移學習/86
7.3.1 生成目標域資料/87
7.3.2 通過對抗式學習來學習域不變特徵/89
7.4 討論/91

第8章 強化學習中的遷移學習/92
8.1 引言/92
8.2 背景/93
8.2.1 強化學習/94
8.2.2 強化學習任務中的遷移學習/95
8.2.3 遷移學習在強化學習中的目標/96
8.2.4 遷移強化學習分類/98
8.3 任務間遷移學習/99
8.3.1 基於樣本的遷移/99
8.3.2 基於特徵的遷移/100
8.3.3 基於模型的遷移/103
8.3.4 解決“遷移時機”問題/105
8.4 域間遷移學習/105
8.4.1 基於樣本的遷移/106
8.4.2 基於特徵的遷移/107
8.4.3 基於模型的遷移/108

第9章 多工學習/109
9.1 引言/109
9.2 定義/111
9.3 多工監督學習/111
9.3.1 基於特徵的多工監督學習/112
9.3.2 基於模型的多工監督學習/114
9.3.3 基於樣本的多工監督學習/120
9.4 多工無監督學習/120
9.5 多工半監督學習/120
9.6 多工主動學習/121
9.7 多工強化學習/121
9.8 多工線上學習/121
9.9 多工多視圖學習/122
9.10 並行與分散式多工學習/122

第10章 遷移學習理論/123
10.1 引言/123
10.2 多工學習的泛化界/124
10.3 監督遷移學習的泛化界/127
10.4 無監督遷移學習的泛化界/129

第11章 傳導式遷移學習/131
11.1 引言/131
11.2 混合圖上的傳導式遷移學習/133
11.2.1 問題定義/134
11.2.2 混合遷移演算法/135
11.3 基於隱性特徵表示的傳導式遷移學習/137
11.3.1 問題定義/137
11.3.2 耦合的矩陣三因數分解演算法/138
11.4 基於深度神經網路的傳導式遷移學習/141
11.4.1 問題定義/141
11.4.2 選擇學習演算法/142

第12章 自動遷移學習:學習如何自動遷移/146
12.1 引言/146
12.2 L2T框架/147
12.3 參數化“遷移什麼”/148
12.3.1 基於公共隱空間的演算法/149
12.3.2 基於流形集成的演算法/149
12.4 從經驗中學習/149
12.4.1 源域和目標域之間的差異/149
12.4.2 目標域判別能力/151
12.4.3 優化問題/151
12.5 推斷“遷移什麼”/151
12.6 與其他學習範式的聯繫/152
12.6.1 遷移學習/152
12.6.2 多工學習/153
12.6.3 終身機器學習/153
12.6.4 自動化機器學習/153

第13章 小樣本學習/155
13.1 引言/155
13.2 零樣本學習/156
13.2.1 概述/156
13.2.2 零樣本學習演算法/157
13.3 單樣本學習/161
13.3.1 概述/161
13.3.2 單樣本學習演算法/161
13.4 貝葉斯規劃學習/163
13.4.1 概述/163
13.4.2 用於識別字元筆劃的貝葉斯規劃學習/163
13.5 短缺資源學習/166
13.5.1 概述/166
13.5.2 機器翻譯/166
13.6 域泛化/168
13.6.1 概述/168
13.6.2 偏差SVM/169
13.6.3 多工自動編碼器/169

第14章 終身機器學習/171
14.1 引言/171
14.2 終身機器學習:定義/172
14.3 通過不變的知識進行終身機器學習/173
14.4 情感分類中的終身機器學習/174
14.5 共用模型元件用於多工學習/177
14.6 永無止境的語言學習/178

第二部分 遷移學習的應用

第15章 隱私保護的遷移學習/184
15.1 引言/184
15.2 差分隱私/185
15.2.1 定義/185
15.2.2 隱私保護的正則化經驗風險最小化/186
15.3 隱私保護的遷移學習/188
15.3.1 問題設置/188
15.3.2 目標提升/188
15.3.3 多方學習/191
15.3.4 多工學習/193

第16章 電腦視覺中的遷移學習/194
16.1 引言/194
16.2 概述/195
16.2.1 淺層遷移學習模型/195
16.2.2 深度遷移學習模型/199
16.2.3 遷移學習用於其他視覺任務/200
16.3 遷移學習用於醫學圖像分析/201
16.3.1 醫學圖像分類/201
16.3.2 醫學圖像異常檢測/203
16.3.3 醫學圖像分割/204

第17章 自然語言處理中的遷移學習/205
17.1 引言/205
17.2 NLP中的遷移學習/205
17.2.1 問題設置/206
17.2.2 NLP應用中的參數初始化/206
17.2.3 NLP應用中的多工學習/207
17.3 情感分析中的遷移學習/212
17.3.1 問題定義和符號/214
17.3.2 淺模型/214
17.3.3 基於深度學習的方法/217

第18章 對話系統中的遷移學習/226
18.1 引言/226
18.2 問題形式化定義/228
18.3 口語理解中的遷移學習/228
18.3.1 問題定義/229
18.3.2 模型適配/229
18.3.3 基於樣本的遷移/229
18.3.4 參數遷移/230
18.4 對話狀態跟蹤中的遷移學習/231
18.4.1 基於特徵的多領域對話狀態跟蹤/231
18.4.2 基於模型的多領域對話狀態跟蹤/231
18.5 對話策略學習中的遷移學習/232
18.5.1 針對Q學習的遷移線性模型/233
18.5.2 針對Q學習的遷移高斯過程/233
18.5.3 針對Q學習的遷移貝葉斯委員會機器/235
18.6 自然語言生成中的遷移學習/236
18.6.1 自然語言生成中的模型微調/237
18.6.2 自然語言生成中的課程學習/237
18.6.3 自然語言生成中的樣本合成/237
18.7 端到端對話系統中的遷移學習/238
18.7.1 完全參數微調/239
18.7.2 部分參數共用/239

第19章 推薦系統中的遷移學習/247
19.1 引言/247
19.2 在推薦中遷移什麼/248
19.2.1 推薦系統中基於樣本的遷移學習方法/248
19.2.2 推薦系統中基於特徵的遷移學習方法/249
19.2.3 推薦系統中基於模型的遷移學習方法/251
19.3 新聞推薦/252
19.3.1 問題定義/253
19.3.2 挑戰和解決方案/254
19.3.3 解決方案:基於鄰域的遷移學習/254
19.4 社交網路中的VIP推薦/255
19.4.1 問題定義/256
19.4.2 挑戰和解決方案/257
19.4.3 解決方案:基於社交關係的遷移/258

第20章 生物資訊學中的遷移學習/260
20.1 引言/260
20.2 生物資訊學中的機器學習問題/261
20.3 生物序列分析/262
20.4 基因表達分析和遺傳分析/265
20.5 系統生物學/266
20.6 生物醫學文本和圖像挖掘/268
20.7 基於深度學習的生物資訊學/268
20.7.1 深度神經追蹤/268
20.7.2 生物資訊學中的深度遷移學習/272

第21章 行為識別中的遷移學習/273
21.1 引言/273
21.2 針對無線定位的遷移學習/273
21.2.1 依賴於環境的資料稀疏性挑戰/274
21.2.2 基於特徵的遷移學習用於定位/276
21.2.3 基於樣本的遷移學習用於定位/278
21.2.4 基於模型的遷移學習用於定位/280
21.3 針對行為識別的遷移學習/282
21.3.1 背景/282
21.3.2 問題設置/284
21.3.3 跨特徵空間的遷移/285
21.3.4 跨標籤空間的遷移/287

第22章 城市計算中的遷移學習/289
22.1 引言/289
22.2 城市計算中的“遷移什麼”/290
22.3 城市計算中遷移學習的關鍵問題/291
22.4 連鎖店推薦/292
22.4.1 問題設置/292
22.4.2 CityTransfer模型/293
22.5 空氣品質預測/295
22.5.1 問題設置/295
22.5.2 FLORAL模型/296

第23章 結束語/297
參考文獻/299
名詞中英文對照/341
 

詳細資料

  • ISBN:9787111661283
  • 規格:平裝 / 350頁 / 16k / 19 x 26 x 1.75 cm / 普通級 / 單色印刷 / 初版
  • 出版地:大陸

最近瀏覽商品

 

相關活動

  • 【從入門到專業】掌握最前端的數位知識,2020資訊月,電腦書66折起
 

購物說明

溫馨提醒您:若您訂單中有購買簡體館無庫存/預售書或庫存於海外廠商的書籍,建議與其他商品分開下單,以避免等待時間過長,謝謝。

大陸出版品書況:因裝幀品質及貨運條件未臻完善,書況與台灣出版品落差甚大,封面老舊、出現磨痕、凹痕等均屬常態,故簡體字館除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。 

 

請注意,部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。

調貨時間:若您購買海外庫存之商品,於您完成訂購後,商品原則上約45個工作天內抵台(若有將延遲另行告知)。為了縮短等待的時間,建議您將簡體書與其它商品分開訂購,以利一般商品快速出貨。 

若您具有法人身份為常態性且大量購書者,或有特殊作業需求,建議您可洽詢「企業採購」。 

退換貨說明 

會員所購買的商品均享有到貨十天的猶豫期(含例假日)。退回之商品必須於猶豫期內寄回。 

辦理退換貨時,商品必須是全新狀態與完整包裝(請注意保持商品本體、配件、贈品、保證書、原廠包裝及所有附隨文件或資料的完整性,切勿缺漏任何配件或損毀原廠外盒)。退回商品無法回復原狀者,恐將影響退貨權益或需負擔部分費用。 

訂購本商品前請務必詳閱商品退換貨原則

  • 中信出版社
  • 北京聯合出版79折起
  • 簡體館週年慶

訂閱電子報

想獲得最新商品資訊,請訂閱免費電子報