| | | 深入理解AutoML和AutoDL:構建自動化機器學習與深度學習平臺 王 | 該商品所屬分類:圖書 -> 機械工業出版社 | 【市場價】 | 761-1104元 | 【優惠價】 | 476-690元 | 【作者】 | 王健宗 | 【出版社】 | 機械工業出版社 | 【ISBN】 | 9787111634362 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
![](/c49/99/10027855312451.jpg)
店鋪:機械工業出版社官方旗艦店 出版社:機械工業出版社 ISBN:9787111634362 商品編碼:10027855312451 品牌:機械工業出版社(CMP) 出版時間:2019-08-01 頁數:200 字數:342000 審圖號:9787111634362 作者:王健宗
"![baecf198635367d9.jpg](https://img10.360buyimg.com/cms/jfs/t1/180445/28/6295/377762/60b0bd82E6c4ef32e/baecf198635367d9.jpg) 商品參數 商品基本信息 | 商品名稱: | 深入理解AutoML和AutoDL:構建自動化機器學習與深度學習平臺 | 作者: | 王健宗 瞿曉陽 | 市場價: | 99.00 | ISBN號: | 9787111634362 | 版次: | 1-1 | 出版日期: | 1900-01 | 頁數: | 333 | 字數: | 342 | 出版社: | 機械工業出版社 | 內容介紹 內容簡介 | 內容介紹 這是一部從基礎理論、核心原理、前沿算法等多個維度繫統、全面講解AutoML、AutoDL、AutoN學習的著作。 作者是的人工智能專家,平安科技深度學習平臺和AutoML平臺負責人。本書得到了IEEE Fellow/ACM傑出科學家/香港科技大學教授楊強教授、騰訊AI Lab副主任俞棟、美國佛羅裡達大學教授李曉林等8位來自企業界、學術界和媒體界的專家的一致好評。它既能讓新人理清AutoML的脈絡,快速上手機器學習,又能讓有經驗的讀者全面掌握AutoML的知識體繫,工作變得更高效。 全書共14章,邏輯上分為四部分: 第壹部分(*1~2章) 人工智能基礎 對人工智能、自動化人工智能的重要概念、發展歷程及現狀、適用場景、主要的工具和技術等做了全面的介紹,並引出了人工智能技術未來的發展方向——AutoML,這部分是閱讀本書的基礎。 *二部分(第3~6章) AutoML 主要講解機器學習和自動化機器學習, 核心是AutoML,包含自動化特征工程、自動化模型選擇和自動化超參優化3個方面的內容。 第三部分(第7~13章) AutoDL 主要講解深度學習和自動化深度學習,重點講解了AutoDL的原理、基於強化學習的AutoDL、基於進化算法的AutoDL、AtuoDL的高階知識、自動化模型壓縮與加速,以及各種核心算法和前沿算法。 第四部分(*14學習<學習是人工智能的理想目標,這學習的概念、流程和各種主流的學習方法都進行了詳盡的介紹。 |
目錄 目錄 | 贊譽 前言 *1章人工智能概述1 1.1全面了解人工智能1 1.1.1人工智能定義1 1.1.2弱人工智能、強人工智能與超人工智能2 1.1.3人工智能三大主義3 1.1.4機器學習與深度學習4 1.2人工智能發展歷程5 1.3深度學習的崛起之路7 1.3.1人臉識別的起源7 1.3.2自動駕駛的福音7 1.3.3超越人類的AI智能體8 1.3.4懂你的AI8 1.3.5奔跑、飛行以及玩遊戲的AI8 1.3.6人人都可以創造屬於自己的AI8 1.4深度學習的發展9 1.4.1計算機視覺9 1.4.2自然語言處理10 1.4.3語音識別11 1.5下一代人工智能11 1.6參考文獻13 *2章自動化人工智能14 2.1AutoML概述14 2.1.1什麼是自動化14 2.1.2AutoML的起源與發展15 2.2AutoML的研究意義17 2.2.1AutoML的研究動機17 2.2.2AutoML的意義和作用18 2.3現有AutoML平臺產品21 2.3.1谷歌Cloud AutoML21 2.3.2百度EasyDL23 2.3.3阿裡雲PAI24 2.3.4探智立方DarwinML28 2.3.5第四範式AI ProphetAutoML29 2.3.6智易科技30 2.4參考文獻31 第3章機器學習概述32 3.1機器學習的發展32 3.1.1“機器學習”名字的由來32 3.1.2“機器學習”的前世今生33 3.1.3“機器學習”的理論基礎34 3.2機器學習的實現方法36 3.2.1分類問題36 3.2.2回歸問題38 3.2.3聚類問題39 3.3自動化機器學習40 3.3.1機器學習面臨的問題40 3.3.2為什麼會產生AutoML41 3.4參考文獻41 第4章自動化特征工程43 4.1特征工程43 4.1.1什麼是特征43 4.1.2什麼是特征工程44 4.2特征工程處理方法45 4.2.1特征選擇45 4.2.2數據預處理47 4.2.3特征壓縮48 4.3手工特征工程存在的問題49 4.4自動化特征工程50 4.4.1什麼是自動化特征工程50 4.4.2機器學習和深度學習的特征工程51 4.5自動化特征工程生成方法52 4.5.1深度特征合成算法52 4.5.2Featuretools自動特征提取52 4.5.3基於時序數據的自動化特征工程56 4.6自動化特征工程工具67 4.6.1自動化特征工程繫統67 4.6.2自動化特征工程平臺71 4.7參考文獻75 第5章自動化模型選擇76 5.1模型選擇76 5.2自動化模型選擇77 5.2.1基於貝葉斯優化的自動化模型選擇78 5.2.2基於進化算法的自動化模型選擇84 5.2.3分布式自動化模型選擇86 5.2.4自動化模型選擇的相關平臺92 5.3自動集成學習94 5.3.1集成學習基礎94 5.3.2集成學習之結合策略97 5.3.3自動化模型集成98 5.4參考文獻99 第6章自動化超參優化101 6.1概述101 6.1.1問題定義103 6.1.2搜索空間103 6.1.3搜索策略103 6.1.4評價預估104 6.1.5經驗遷移加速105 6.2基本方法105 6.2.1網格搜索105 6.2.2隨機搜索105 6.3基於模型的序列超參優化106 6.3.1代理模型的選擇108 6.3.2代理模型的更新108 6.3.3新超參組的選擇109 6.3.4基於高斯過程回歸的序列超參優化111 6.3.5基於隨機森林算法代理的序列超參優化112 6.3.6基於TPE算法的序列超參優化114 6.3.7SMBO的進階技巧114 6.4基於進化算法的自動化超參優化115 6.4.1基於進化策略的自動化超參優化115 6.4.2基於粒子群算法的自動化超參優化116 6.5基於遷移學習的超參優化加速方法117 6.5.1經驗遷移機制117 6.5.2經驗遷移衰退機制117 6.5.3經驗遷移權重機制117 6.5.4優化過程的試點機制118 6.6參考文獻118 第7章深度學習基礎120 7.1深度學習簡介120 7.1.1什麼120 7.1.2人工神經網絡的發展歷程121 7.1.3深度學習方法123 7.2卷積神經網絡簡介123 7.2.1卷積層123 7.2.2池化層125 7.2.3全連接層126 7.3CNN經典模型126 7.3.1LeNet126 7.3.2AlexNet127 7.3.3VGGNet128 7.3.4GoogLeNet129 7.3.5ResNet130 7.3.6DenseNet131 7.4循環神經網絡132 7.4.1基本循環神經模型132 7.4.2LSTM模型133 7.4.3GRU模型134 7.5參考文獻134 第8章自動化深度學習概述136 8.1深度學習vs自動化深度學習136 8.2什麼是NAS136 8.2.1問題定義137 8.2.2搜索策略139 8.2.3加速方案140 8.3NAS方法分類140 第9章基於強化學習的AutoDL142 9.1強化學習基礎142 9.1.1強化學習簡介142 9.1.2基本要素及問題定義144 9.1.3發展歷史144 9.1.4基本方法146 9.2兩類基本模型147 9.2.1TD經典算法148 9.2.2DQN繫列算法149 9.2.3策略梯度算法152 9.3強化學習之Actor-Critic繫列154 9.3.1Actor-Critic算法154 9.3.2確定性策略梯度155 9.3.3深度確定性策略梯度157 9.3.4異步優勢Actor-Critic算法158 9.3.5近端策略優化160 9.3.6分布式近端策略優化164 9.4基於強化學習的自動搜索166 9.5基本搜索方法166 9.5.1基於層的搜索166 9.5.2基於塊的搜索169 9.5.3基於連接的搜索171 9.6進階搜索方法173 9.6.1逆強化學習173 9.6.2圖超網絡174 9.6.3蒙特卡洛樹搜索175 9.6.4知識提煉(教師網絡)177 9.7參考文獻179 *10章基於進化算法的AutoDL181 10.1啟發式算法181 10.1.1隨機搜索182 10.1.2近鄰搜索183 10.1.3進化計算187 10.1.4啟發式算法的局限性189 10.2初代進化算法190 10.2.1基本術語190 10.2.2基礎算子191 10.2.3遺傳算法196 10.2.4進化策略198 10.2.5進化規劃199 10.3其他近代進化算法200 10.3.1遺傳編程算法簇200 10.3.2群體算法—以PSO為例205 10.3.3文化基因算法207 10.3.4差分進化算法208 10.3.5分布估計算法208 10.4進化神經網絡209 10.4.1簡介209 10.4.2神經網絡編碼方式210 10.4.3競爭約定211 10.4.4網絡結構的創新性212 10.4.5NAS之進化算法212 10.5細粒度的神經進化(NEAT算法)213 10.5.1基因編碼214 10.5.2基因的可追溯性216 10.5.3通過物種形成保護創新結構216 10.6粗粒度的神經進化(CoDeep-NEAT算法)218 10.6.1DeepNEAT算法218 10.6.2CoDeepNEAT算法219 10.7block-level的進化220 10.7.1Genetic
|
" | | | | | |