-- 會員 / 註冊 -- 　
　帳號：
　密碼：
　 | 註冊 | 忘記密碼
3/26 新書到！ 3/19 新書到！ 3/14 新書到！ 12/12 新書到！
購書流程•Q & A•站務留言版•客服信箱
│ 3ds Max│ Maya│ Rhino│ After Effects│ SketchUp│ ZBrush│ Painter│ Unity│
│ PhotoShop│ AutoCad│ MasterCam│ SolidWorks│ Creo│ UG│ Revit│ Nuke│
│ C#│ C│ C++│ Java│ 遊戲程式│ Linux│ 嵌入式│ PLC│ FPGA│ Matlab│
│ 駭客│ 資料庫│ 搜索引擎│ 影像處理│ Fluent│ VR+AR│ ANSYS│ 深度學習│
│ 單晶片│ AVR│ OpenGL│ Arduino│ Raspberry Pi│ 電路設計│ Cadence│ Protel│
│ Hadoop│ Python│ Stm32│ Cortex│ Labview│ 手機程式│ Android│ iPhone│
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

Python元學習 通用人工智能的實現

( 簡體 字)
作者：[印] 蘇達桑·拉維尚迪蘭類別：1. -> 程式設計 -> Python
譯者：
出版社：人民郵電出版社Python元學習 通用人工智能的實現 3dWoo書號： 52994
詢問書籍請說出此書號！

【有庫存】
NT售價： 295 元

出版日：6/1/2020
頁數：146
光碟數：0
站長推薦：
印刷：黑白印刷語系： ( 簡體 版 )
加入購物車 │加到我的最愛
(請先登入會員)
ISBN：9787115539670
作者序　|　譯者序　|　前言　|　內容簡介　|　目錄　|　序
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序：

譯者序：

前言：

內容簡介：

元學習是當今人工智能研究的熱門領域之一，被視為實現通用人工智能的基礎。本書介紹元學習及其原理，講解各種單樣本學習算法，例如孿生網絡、原型網絡、關系網絡和記憶增強網絡，并在基于Python的TensorFlow與Keras中實現它們。讀者能夠從本書中了解先進的元學習算法，如模型無關元學習、Reptile和元學習的上下文適應。此外，本書還探索如何使用元隨機梯度下降法來快速學習，以及如何使用元學習來進行無監督學習。本書適合機器學習愛好者、人工智能研究人員和數據科學家閱讀。
目錄：

第 1章 元學習簡介　1
1.1 元學習　1
1.2 元學習的類型　2
1.2.1 學習度量空間　2
1.2.2 學習初始化　3
1.2.3 學習優化器　3
1.3 通過梯度下降來學習如何通過梯度下降來學習　3
1.4 少樣本學習的優化模型　5
1.5 小結　8
1.6 思考題　8
1.7 延伸閱讀　8
第 2章 使用孿生網絡進行人臉識別與音頻識別　9
2.1 什么是孿生網絡　9
2.1.1 孿生網絡的架構　10
2.1.2 孿生網絡的應用　12
2.2 使用孿生網絡進行人臉識別　12
2.3 使用孿生網絡進行音頻識別　20
2.4 小結　24
2.5 思考題　24
2.6 延伸閱讀　24
第3章 原型網絡及其變體　25
3.1 原型網絡　25
3.1.1 算法　31
3.1.2 使用原型網絡執行分類　31
3.2 高斯原型網絡　37
3.3 半原型網絡　41
3.4 小結　42
3.5 思考題　42
3.6 延伸閱讀　42
第4章 使用TensorFlow構建關系網絡與匹配網絡　43
4.1 關系網絡　43
4.1.1 單樣本學習中的關系網絡　43
4.1.2 少樣本學習中的關系網絡　 46
4.1.3 零樣本學習中的關系網絡　48
4.1.4 損失函數　49
4.2 使用TensorFlow構建關系網絡　49
4.3 匹配網絡　51
4.4 匹配網絡的架構　55
4.5 TensorFlow中的匹配網絡　55
4.6 小結　60
4.7 思考題　60
4.8 延伸閱讀　60
第5章 記憶增強神經網絡　61
5.1 NTM　61
5.1.1 NTM中的讀與寫　62
5.1.2 尋址機制　65
5.2 使用NTM復制任務　68
5.3 MANN　77
5.4 小結　80
5.5 思考題　80
5.6 延伸閱讀　80
第6章 MAML及其變種　81
6.1 MAML　81
6.1.1 MAML算法　83
6.1.2 監督學習中的MAML　86
6.1.3 強化學習中的MAML　92
6.2 ADML　93
6.2.1 FGSM　94
6.2.2 ADML　94
6.2.3 從頭構建ADML　95
6.3 CAML　103
6.4 小結　104
6.5 思考題　105
6.6 延伸閱讀　105
第7章 Meta-SGD和Reptile　106
7.1 Meta-SGD　106
7.1.1 監督學習中的Meta-SGD　108
7.1.2 強化學習中的Meta-SGD　114
7.2 Reptile　114
7.2.1 Reptile算法　115
7.2.2 使用Reptile進行正弦曲線回歸　116
7.3 小結　121
7.4 思考題　121
7.5 延伸閱讀　121
第8章 梯度一致作為優化目標　122
8.1 梯度一致，一種優化方法　122
8.1.1 權重計算　124
8.1.2 算法　124
8.2 使用MAML構建梯度一致　125
8.2.1 生成數據點　126
8.2.2 單層神經網絡　126
8.2.3 MAML中的梯度一致　126
8.3 小結　131
8.4 思考題　131
8.5 延伸閱讀　131
第9章 新進展與未來方向　132
9.1 TAML　132
9.1.1 熵最大化/熵約簡　133
9.1.2 不平等最小化　134
9.2 元模仿學習　136
9.3 CACTUs　137
9.4 概念空間元學習　138
9.4.1 關鍵部分　140
9.4.2 損失函數　140
9.4.3 算法　141
9.5 小結　142
9.6 思考題　142
9.7 延伸閱讀　142
思考題答案　143
序：