读书月攻略拿走直接抄！
读书月预热场|满6本折上6折
欢迎光临中图网 请 | 注册
搜索
搜索全部
  • 搜索全部
  • 书名
  • 作者
  • 出版社
  • ISBN
高级搜索
我身体里的人造星星乡间的日常情感勒索神秘的黑猫
  • 合成诗经
  • 新用户注册领10元
中图网
>
教材
>
研究生/本科/专科教材
>
工学
终身机器学习
分享

包邮 终身机器学习

作者：[美]陈志源（ZhiyuanChen）刘
出版社：机械工业出版社出版时间：2019-08-01
开本： 26cm 页数： 10,186页
本类榜单：教材销量榜
中 图 价:¥49.8(6.3折) 定价  ¥79.0 登录后可看到会员价
暂时缺货 收藏
开年大促， 全场包邮
?新疆、西藏除外
本类五星书更多>
买过本商品的人还买了
中图价:¥49.8 暂时缺货

终身机器学习 版权信息

终身机器学习 本书特色

本书介绍终身学习这种高级机器学习范式，这种范式通过积累过去的知识持续地学习，并将学到的知识用于帮助在未来进行其他学习和解决问题。相比之下，当前主流的机器学习范式都是孤立学习，即给定一个训练数据集，之后在这个数据集上运行机器学习算法以生成模型，然后再将该模型运用于预期的应用。这些范式不保留已经学到的知识，也不将其运用到后续的学习中。与孤立学习系统不同，人类只通过少量的样例就能实现有效学习，这是因为人类的学习是知识驱动的，即只需少量的数据或付出，就能利用过去已经学到的知识去学习新事物。终身学习的目标就是模仿人类的这种学习能力，因为一个没有持续学习能力的AI系统不能算作真正的智能。
自本书第1版出版以来，终身学习的研究在相对较短的时间内取得了显著的进展。出版第2版是为了扩展终身学习的定义，更新部分章节的内容，并添加一个新的章节来介绍深度神经网络中持续学习的内容，这部分内容在过去的两三年里一直被积极研究。部分章节的内容也进行了修改，使得内容更有条理，方便读者阅读。此外，作者希望为这一研究领域提出一个统一的框架。目前，在机器学习中有几个与终身学习密切相关的研究课题，特别是多任务学习、迁移学习以及元学习，因为它们也采用了知识共享和知识迁移的思想。本书之所以集中介绍这些技术并讨论其异同，目的是在介绍终身机器学习的同时，对该领域的重要研究成果和新想法进行全面回顾。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员和从业人员。

终身机器学习 内容简介

本书介绍终身机器学习这种高级机器学习范式，该范式通过积累过去的知识持续地学习，并将所学到的知识用于帮助在未来进行其他学习和解决问题。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员。

终身机器学习 目录

译者序 前　言 致　谢 第1章　引言11.1　传统机器学习范式11.2　案例31.3　终身学习简史71.4　终身学习的定义91.5　知识类型和关键挑战141.6　评估方法和大数据的角色171.7　本书大纲18 第2章　相关学习范式202.1　迁移学习202.1.1　结构对应学习212.1.2　朴素贝叶斯迁移分类器222.1.3　迁移学习中的深度学习232.1.4　迁移学习与终身学习的区别242.2　多任务学习252.2.1　多任务学习中的任务相关性252.2.2　GO-MTL：使用潜在基础任务的多任务学习262.2.3　多任务学习中的深度学习282.2.4　多任务学习与终身学习的区别302.3　在线学习302.4　强化学习312.5　元学习322.6　小结34 第3章　终身监督学习353.1　定义和概述363.2　基于记忆的终身学习373.2.1　两个基于记忆的学习方法373.2.2　终身学习的新表达373.3　终身神经网络393.3.1　MTL网络393.3.2　终身EBNN403.4　ELLA：高效终身学习算法413.4.1　问题设定413.4.2　目标函数423.4.3　解决**个低效问题433.4.4　解决第二个低效问题453.4.5　主动的任务选择463.5　终身朴素贝叶斯分类473.5.1　朴素贝叶斯文本分类473.5.2　LSC的基本思想493.5.3　LSC技术503.5.4　讨论523.6　基于元学习的领域词嵌入523.7　小结和评估数据集54 第4章　持续学习与灾难性遗忘564.1　灾难性遗忘564.2　神经网络中的持续学习584.3　无遗忘学习614.4　渐进式神经网络624.5　弹性权重合并634.6　iCaRL：增量分类器与表示学习654.6.1　增量训练664.6.2　更新特征表示674.6.3　为新类构建范例集684.6.4　在iCaRL中完成分类684.7　专家网关694.7.1　自动编码网关694.7.2　测量训练的任务相关性704.7.3　为测试选择*相关的专家714.7.4　基于编码器的终身学习714.8　生成式重放的持续学习724.8.1　生成式对抗网络724.8.2　生成式重放734.9　评估灾难性遗忘744.10　小结和评估数据集75 第5章　开放式学习795.1　问题定义和应用805.2　基于中心的相似空间学习815.2.1　逐步更新CBS学习模型825.2.2　测试CBS学习模型845.2.3　用于未知类检测的CBS学习845.3　DOC：深度开放式分类875.3.1　前馈层和一对其余层875.3.2　降低开放空间风险895.3.3　DOC用于图像分类905.3.4　发现未知类905.4　小结和评估数据集91 第6章　终身主题建模936.1　终身主题建模的主要思想936.2　LTM：终身主题模型976.2.1　LTM模型976.2.2　主题知识挖掘996.2.3　融合过去的知识1006.2.4　Gibbs采样器的条件分布1026.3　AMC：少量数据的终身主题模型1026.3.1　AMC整体算法1036.3.2　挖掘must-link知识1046.3.3　挖掘cannot-link知识1076.3.4　扩展的Pólya瓮模型1086.3.5　Gibbs采样器的采样分布1106.4　小结和评估数据集112 第7章　终身信息提取1147.1　NELL：永不停止语言学习器1147.1.1　NELL结构1177.1.2　NELL中的提取器与学习1187.1.3　NELL中的耦合约束1207.2　终身评价目标提取1217.2.1　基于推荐的终身学习1227.2.2　AER算法1237.2.3　知识学习1247.2.4　使用过去知识推荐1257.3　在工作中学习1267.3.1　条件随机场1277.3.2　一般依赖特征1287.3.3　L-CRF算法1307.4　Lifelong-RL：终身松弛标记法1317.4.1　松弛标记法1327.4.2　终身松弛标记法1337.5　小结和评估数据集133 第8章　聊天机器人的持续知识学习1358.1　LiLi：终身交互学习与推理1368.2　LiLi的基本思想1398.3　LiLi的组件1418.4　运行示例1428.5　小结和评估数据集142 第9章　终身强化学习1449.1　基于多环境的终身强化学习1469.2　层次贝叶斯终身强化学习1479.2.1　动机1479.2.2　层次贝叶斯方法1489.2.3　MTRL算法1499.2.4　更新层次模型参数1509.2.5　对MDP进行采样1519.3　PG-ELLA：终身策略梯度强化学习1529.3.1　策略梯度强化学习1529.3.2　策略梯度终身学习设置1549.3.3　目标函数和优化1549.3.4　终身学习的安全策略搜索1569.3.5　跨领域终身强化学习1569.4　小结和评估数据集157 第10章　结论及未来方向159 参考文献164
展开全部

终身机器学习 作者简介

陈志源（ZhiyuanChen）在伊利诺伊大学芝加哥分校刘兵教授的指导下获得博士学位，博士论文题目为“终身机器学习：主题建模与分类”。他于2016年加入谷歌公司。他的研究兴趣包括机器学习、自然语言处理、文本挖掘、数据挖掘和竞价拍卖算法。他提出了几种终身机器学习算法，实现了自动从文本文档中挖掘信息，并在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要会议上发表了超过15篇长篇研究论文。他还在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三个关于终身机器学习的教程。他曾经是许多著名的自然语言处理、数据挖掘、人工智能和互联网研究会议的成员，并于2015年获得伊利诺伊州技术基金会颁发的最有潜力50人奖，以表彰他的学术贡献。
陈志源（Zhiyuan Chen）在伊利诺伊大学芝加哥分校刘兵教授的指导下获得博士学位，博士论文题目为“终身机器学习：主题建模与分类”。他于2016年加入谷歌公司。他的研究兴趣包括机器学习、自然语言处理、文本挖掘、数据挖掘和竞价拍卖算法。他提出了几种终身机器学习算法，实现了自动从文本文档中挖掘信息，并在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要会议上发表了超过15篇长篇研究论文。他还在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三个关于终身机器学习的教程。他曾经是许多著名的自然语言处理、数据挖掘、人工智能和互联网研究会议的成员，并于2015年获得伊利诺伊州技术基金会颁发的最有潜力50人奖，以表彰他的学术贡献。

刘兵（Bing Liu）是伊利诺伊大学芝加哥分校的杰出教授，在爱丁堡大学获得了博士学位。他的研究兴趣包括终身学习、情感分析、数据挖掘、机器学习和自然语言处理，他在顶级会议和期刊上发表了大量论文，其中两篇论文获得了KDD 10年Test-of-Time奖，一篇论文获得WSDM 10年Test-of-Time奖。他也是4本书的作者，其中2本关于情感分析，1本关于终身学习，1本关于数据挖掘。他的一些工作被媒体广泛报道，包括《纽约时报》的头版文章。他是2018 ACM SIGKDD创新奖的获得者，也是很多顶级数据挖掘会议（包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD）的程序主席。他同时是包括TKDE、TWEB、DMKD和TKDD在内的顶级期刊的副编辑，还是很多自然语言处理、人工智能、网络和数据挖掘会议的领域主席或者高级程序委员会成员，并且曾经是2013～2017年ACM SIGKDD的主席，是ACM、AAAI和IEEE会士。

商品评论(0条)
写书评 赚书币
暂无评论……
书友推荐
本类畅销
浏览历史
编辑推荐
返回顶部
新手上路
新用户指引
注册用户 更改注册信息
购物常见问题
关于特价书的常见问题
购买问题
订单跟踪
付款方式
账户余额  申请提现
配送方式及费用、范围
集团购买
售后服务
退换货流程
投诉与建议
特色服务
会员等级与书币
中图网书馨卡
邀请好友购买返10元礼包
其他信息
本站简介
联系我们
招聘英才
网站联盟
友情链接
微信公众号
中图网微信
中图网微博
中图网微博
手机中图网
手机中图网
中图网
诚信认证 电子商务诚信单位认证

京ICP备09013606号-3京信市监发[2002]122号海淀公安分局备案编号：1101083394

营业执照出版物经营许可证 京出发京批字第直110071

在线客服