了得網計算機/網絡_Pytho學習算法

產品特色

編輯推薦

立足學習、深度學習、機器學習技術，給出一套較為完備學習技術框架，同時加入了筆者所在課題組的一些最新研究成果，提出了一繫列具有啟學習算法和思考方向。
l行文力求淺顯易懂、深入淺出，每章課後還配有相應的思考題，可以作為高等學校計算機相關專業研究生或高年級本科生理論教學，也可以作為學學習技術的參考書。

內容簡介

本書全面介紹學習技術的知識學習、機器學習、深度學習及其技術平臺和應用案例，給出了一套較為完備學習框架，並根據作者所在課題組的研究成果提出了一些具有啟學習算法和思考方向。全書共9章。第1章主學習的基本概念、基本任務和基本類型；第2章繫統介紹深度學習的概念、原理和應用，幫助讀者逐步具備一定的深度學習實踐能力；第3章介紹一種學習神經網絡——孿生網絡；第4章介紹原型網絡及其各種變體；第5章介紹兩種有趣學習算法——關繫網絡和匹配網絡；第6章介紹記憶增強神經網絡；第7章進一步介紹饒有趣味且應用學習算法——模學習及其變種；第8章介紹另外兩種學習模型——MetaSGD和Reptile；第9章深學習的一些新進展與**研究成果——基於樣本抽樣和任務難度自適應學習理論。全書提供大量應用實例和配套代碼，每章後均附有適量思考題，引發讀者思考和討論。全書行文淺顯易懂，深入淺出，適合作為高等學校計算機相關專業研究生或高年級本科學習理論教學，也可供廣大AI技術開發和研究人員參考。

學習簡介1
學習1
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嵌套梯度下降學習4
1.4少樣本學習的優化模型6
1.5小結9
1.6思考題9
參考文獻9第2章深度學習11
2.1深度學習的概念11
2.2深度神經網絡概述12

學習簡介1
學習1
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嵌套梯度下降學習4
1.4少樣本學習的優化模型6
1.5小結9
1.6思考題9
參考文獻9第2章深度學習11
2.1深度學習的概念11
2.2深度神經網絡概述12
2.2.1人工神經網絡12
2.2.2深度神經網絡15
2.3卷積神經網絡概述17
2.3.1卷積神經網絡17
2.3.2卷積神經網絡的結構17
2.3.3卷積神經網絡的訓練24
2.3.4VGG——卷積神經網絡的代表性網絡25
2.4循環神經網絡28
2.4.1循環神經網絡概念28
2.4.2長短期記憶（LSTM）網絡30
2.5生成對抗網絡32
2.5.1生成器33
2.5.2判別器34
2.5.3訓練過程35
2.5.4小結36
2.6Transformer及擴散模型37
2.6.1編碼組件38
2.6.2解碼組件39
2.6.3擴散模型40
2.7小結42
2.8思考題43
參考文獻43第3章孿生網絡45
3.1孿生網絡簡介45
3.2孿生網絡的架構47
3.3孿生網絡的衍生48
3.3.1偽孿生網絡49
3.3.2三胞胎連體網絡49
3.3.3三胞胎偽孿生網絡50
3.4孿生網絡的發展及應用51
3.5案例：利用孿生網絡進行圖像識別52
3.6小結59
3.7思考題59
參考文獻60第4章原型網絡及其變體61
4.1原型網絡61
4.1.1原型網絡的基本算法63
4.1.2用於分類的原型網絡結構64
4.2高斯原型網絡67
4.3半原型網絡69
4.4小結71
4.5思考題72
參考文獻72第5章關繫網絡與匹配網絡73
5.1關繫網絡73
5.1.1單樣本學習中的關繫網絡74
5.1.2少樣本學習中的關繫網絡77
5.1.3零樣本學習中的關繫網絡78
5.2匹配網絡85
5.3小結86
5.4思考題87
參考文獻87第6章記憶增強神經網絡88
6.1神經圖靈機（NTM）89
6.1.1NTM中的讀、寫機制90
6.1.2尋址機制92
6.2基於NTM的復制任務94
6.2.1NTM模型的初始化94
6.2.2定義讀寫操作97
6.2.3定義尋址機制98
6.2.4定義復制任務100
6.2.5定義訓練函數102
6.2.6實現重復復制105
6.3記憶增強神經網絡（MANN）111
6.3.1MANN的讀操作111
6.3.2MANN的寫操作113
6.3.3MANN的應用114
6.4小結116
6.5思考題116
參考文獻117第7章模學習及其變種118
7.1MAML118
7.1.1MAML算法121
7.1.2監督學習中的MAML123
7.1.3從頭構建MAML125
7.1.4強化學習中的MAML142
7.2ADML144
7.2.1FGSM144
7.2.2ADML的流程145
7.2.3從頭構建ADML146
7.3CAML151
7.4小結152
7.5思考題153
參考文獻153第8章MetaSGD和Reptile154
8.1MetaSGD簡介154
8.1.1MetaSGD用於監督學習155
8.1.2MetaSGD用於強化學習160
8.2Reptile簡介163
8.2.1Reptile的基本算法164
8.2.2Reptile用於正弦曲線回歸166
8.3小結168
8.4思考題169
參考文獻170第9章新進展與未來方向171
模仿學習171
9.2任學習174
9.2.1熵最大化/熵約簡175
9.2.2不平等最小化177
9.3學習181
9.4樣本抽樣學習183
9.5任務難度學習186
9.6小結189
9.7思考題190
參考文獻190

前言

近年來，隨著機器學習領域的快速學習變得越來越受學習的研究涉及強化學習、機器人學、自然語言處理等各個領域，並在這些領域中取得了許多應用成果。
總體學習是一種機器學習的方法，它旨在使機器學習繫統能夠自動學習如何學習的目標是開發出一種智能繫統，該繫統能夠快速適應新的任務和環境，而不需要大量的訓練數據或重新設計整個學習算學習中，機器學習的基本模型通過學習如何在不同的任務之間共享和遷移知識來提高自己的學習能力。
路漫漫，其修遠兮！本書是為有志於學學習技術的讀者而寫。希望本書能為現在或將學習、深度學習、機器學習及通用人工智能的讀者提供知識參考，拋磚引玉，烘雲托月。
本書力求淺顯易懂、深入淺出，既可以作學習領域的專著，也可以作為計算機相關專業研究生或高年級本科學習理論教學的參考書。

學習的歷史可以追溯到20世紀60年代開始的機器學習研究，當時一些研究人員開始探索如何在學習中引入&ldq”的概念。其中最早的嘗試包括基於決學習和基於學習。
近年來，隨著機器學習領域的快速學習變得越來越受學習的研究涉及強化學習、機器人學、自然語言處理等各個領域，並在這些領域中取得了許多應用成果。
總體學習是一種機器學習的方法，它旨在使機器學習繫統能夠自動學習如何學習的目標是開發出一種智能繫統，該繫統能夠快速適應新的任務和環境，而不需要大量的訓練數據或重新設計整個學習算學習中，機器學習的基本模型通過學習如何在不同的任務之間共享和遷移知識來提高自己的學習能力。
路漫漫，其修遠兮！本書是為有志於學學習技術的讀者而寫。希望本書能為現在或將學習、深度學習、機器學習及通用人工智能的讀者提供知識參考，拋磚引玉，烘雲托月。
本書力求淺顯易懂、深入淺出，既可以作學習領域的專著，也可以作為計算機相關專業研究生或高年級本科學習理論教學的參考書。
本書共9章，章節安排以綜學習工程應用為主線展開。第1章學習的基本概念、基本任務和基本類型；第2章繫統地介紹深度學習的基本概念、原理和應用，幫助讀者逐步具備一定的深度學習實踐能力；第3章介紹一種簡單的神經網絡——孿生網絡；第4章介紹原型網絡及其各種變體；第5章介紹兩種有趣單樣本學習算法——關繫網絡和匹配網絡；第6章介紹記憶增強神經網絡；第7章介紹饒有趣味且應用學習算法——模學習；第8章介紹了另外兩種學習模型——MetaSGD 和 Reptile；第9章深學習的一些新進展與最新研究成果——基於樣本抽樣和任務難度自適應學習理論。本書還提供了使用Python語言編寫的配套代碼，供讀者學習和參考。
在本書的編寫過程中，溫州大學的陳慧靈博士對本書的總體結構、章節細節形成提出很多具體的建議。筆者課題組研究生徐艷琳、龔啟舟、冷志雄、萬泉、張潤傑、顏丙辰、楊鳳山、郭文恆等一起參與了第3～9章的初稿撰寫，編制了配備的程序。清華大學出版社的編輯對本書的修改提出了寶貴意見。這裡一並表示衷心的感謝！
因筆者水平所限，書中難免存在不足之處，衷心希望廣大讀者多提寶貴意見，我們將在後續的版本中百尺竿頭，更進一步！

筆者於桂林電子科技大學
2023年5月

商品搜索

商品分类

【醫學】

【各大出版社】