|
-- 會員 / 註冊 --
|
|
|
|
遷移學習 ( 簡體 字) |
作者:楊強 張宇 戴文淵 潘嘉林 | 類別:1. -> 程式設計 -> 機器學習 |
譯者:莊福振 |
出版社:機械工業 | 3dWoo書號: 53485 詢問書籍請說出此書號!【缺書】 NT售價: 695 元 |
出版日:8/1/2020 |
頁數:350 |
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:9787111661283 |
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:本書是關于遷移學習的基礎、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,包括人工智能、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序開發人員使用的參考書。 |
目錄:**序 譯者序 前 言 **部分 遷移學習的基礎 第1章 緒論/2 1.1 人工智能、機器學習以及遷移學習/2 1.2 遷移學習:定義/6 1.3 與已有機器學習范式的關系/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 生物信息學和生物成像/12 1.5.3 **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 關于本書/15 第2章 基于樣本的遷移學習/19 2.1 引言/19 2.2 基于樣本的非歸納式遷移學習/20 2.2.1 判別區分源數據和目標數據/22 2.2.2 核平均匹配/23 2.2.3 函數估計/23 2.3 基于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 基于特征的遷移學習/29 3.1 引言/29 3.2 *小化域間差異/30 3.2.1 *大均值差異/30 3.2.2 基于Bregman散度的正則化/34 3.2.3 使用特定分布假設的度量/34 3.2.4 數據依賴的域差異度量/35 3.3 學習通用特征/36 3.3.1 學習通用編碼/36 3.3.2 深度通用特征/37 3.4 特征增強/38 第4章 基于模型的遷移學習/40 4.1 引言/40 4.2 基于共享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 基于正則化的遷移/45 4.3.1 基于支持向量機的正則化/46 4.3.2 基于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 基于關系的遷移學習/52 5.1 引言/52 5.2 馬爾可夫邏輯網絡/54 5.3 利用馬爾可夫網絡的基于關系的遷移學習/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 異構特征空間/64 6.3.2 異構標簽空間/78 6.4 應用/79 第7章 對抗式遷移學習/82 7.1 引言/82 7.2 生成對抗網絡/83 7.3 采用對抗式模型的遷移學習/86 7.3.1 生成目標域數據/87 7.3.2 通過對抗式學習來學習域不變特征/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 基于樣本的遷移/99 8.3.2 基于特征的遷移/100 8.3.3 基于模型的遷移/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 基于樣本的遷移/106 8.4.2 基于特征的遷移/107 8.4.3 基于模型的遷移/108 第9章 多任務學習/109 9.1 引言/109 9.2 定義/111 9.3 多任務監督學習/111 9.3.1 基于特征的多任務監督學習/112 9.3.2 基于模型的多任務監督學習/114 9.3.3 基于樣本的多任務監督學習/120 9.4 多任務無監督學習/120 9.5 多任務半監督學習/120 9.6 多任務主動學習/121 9.7 多任務強化學習/121 9.8 多任務在線學習/121 9.9 多任務多視圖學習/122 9.10 并行與分布式多任務學習/122 **0章 遷移學習理論/123 10.1 引言/123 10.2 多任務學習的泛化界/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 **1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 混合遷移算法/135 11.3 基于隱性特征表示的傳導式遷移學習/137 11.3.1 問題定義/137 11.3.2 耦合的矩陣三因子分解算法/138 11.4 基于深度神經網絡的傳導式遷移學習/141 11.4.1 問題定義/141 11.4.2 選擇學習算法/142 **2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“遷移什么”/148 12.3.1 基于公共隱空間的算法/149 12.3.2 基于流形集成的算法/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“遷移什么”/151 12.6 與其他學習范式的聯系/152 12.6.1 遷移學習/152 12.6.2 多任務學習/153 12.6.3 終身機器學習/153 12.6.4 自動化機器學習/153 **3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 單樣本學習算法/161 13.4 貝葉斯規劃學習/163 13.4.1 概述/163 13.4.2 用于識別字符筆畫的貝葉斯規劃學習/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 多任務自動編碼器/169 **4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 共享模型組件用于多任務學習/177 14.6 永無止境的語言學習/178 第二部分 遷移學習的應用 **5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*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 多任務學習/193 **6章 計算機視覺中的遷移學習/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 遷移學習用于其他視覺任務/200 16.3 遷移學習用于醫學圖像分析/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 **7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應用中的多任務學習/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 基于深度學習的方法/217 **8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 基于樣本的遷移/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 基于特征的多領域對話狀態跟蹤/231 18.4.2 基于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 **參數微調/239 18.7.2 部分參數共享/239 **9章 **系統中的遷移學習/247 19.1 引言/247 19.2 在**中遷移什么/248 19.2.1 **系統中基于樣本的遷移學習方法/248 19.2.2 **系統中基于特征的遷移學習方法/249 19.2.3 **系統中基于模型的遷移學習方法/251 19.3 新聞**/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:基于鄰域的遷移學習/254 19.4 社交網絡中的VIP**/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:基于社交關系的遷移/258 第20章 生物信息學中的遷移學習/260 20.1 引言/260 20.2 生物信息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 基于深度學習的生物信息學/268 20.7.1 深度神經追蹤/268 20.7.2 生物信息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 依賴于環境的數據稀疏性挑戰/274 21.2.2 基于特征的遷移學習用于定位/276 21.2.3 基于樣本的遷移學習用于定位/278 21.2.4 基于模型的遷移學習用于定位/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 跨特征空間的遷移/285 21.3.4 跨標簽空間的遷移/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“遷移什么”/290 22.3 城市計算中遷移學習的關鍵問題/291 22.4 連鎖店**/292 22.4.1 問題設置/292 22.4.2 CityTransfer模型/293 22.5 空氣質量預測/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 |
序: |
|