 |
-- 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： |
|
