科技
类型
可以朗读
语音朗读
123千字
字数
2020-06-01
发行日期
展开全部
主编推荐语
机器学习教程书籍，用Python语言全面解析各种单样本学习算法及其实现。
内容简介
元学习是当今人工智能研究的热门领域之一，被视为实现通用人工智能的基础。
本书介绍元学习及其原理，讲解各种单样本学习算法，例如孪生网络、原型网络、关系网络和记忆增强网络，并在基于Python的TensorFlow与Keras中实现它们。
读者能够从本书中了解先进的元学习算法，如模型无关元学习、Reptile和元学习的上下文适应。
此外，本书还探索如何使用元随机梯度下降法来快速学习，以及如何使用元学习来进行无监督学习。
本书适合机器学习爱好者、人工智能研究人员和数据科学家阅读。
目录
- 版权信息
- 数字版权声明
- 内容提要
- 前言
- 本书读者
- 本书内容
- 如何充分利用本书
- 下载示例代码
- 排版约定
- 保持联系
- 评论
- 电子书
- 第1章 元学习简介
- 1.1 元学习
- 1.2 元学习的类型
- 1.2.1 学习度量空间
- 1.2.2 学习初始化
- 1.2.3 学习优化器
- 1.3 通过梯度下降来学习如何通过梯度下降来学习
- 1.4 少样本学习的优化模型
- 1.5 小结
- 1.6 思考题
- 1.7 延伸阅读
- 第2章 使用孪生网络进行人脸识别与音频识别
- 2.1 什么是孪生网络
- 2.1.1 孪生网络的架构
- 2.1.2 孪生网络的应用
- 2.2 使用孪生网络进行人脸识别
- 2.3 使用孪生网络进行音频识别
- 2.4 小结
- 2.5 思考题
- 2.6 延伸阅读
- 第3章 原型网络及其变体
- 3.1 原型网络
- 3.1.1 算法
- 3.1.2 使用原型网络执行分类
- 3.2 高斯原型网络
- 3.3 半原型网络
- 3.4 小结
- 3.5 思考题
- 3.6 延伸阅读
- 第4章 使用TensorFlow构建关系网络与匹配网络
- 4.1 关系网络
- 4.1.1 单样本学习中的关系网络
- 4.1.2 少样本学习中的关系网络
- 4.1.3 零样本学习中的关系网络
- 4.1.4 损失函数
- 4.2 使用TensorFlow构建关系网络
- 4.3 匹配网络
- 4.4 匹配网络的架构
- 4.5 TensorFlow中的匹配网络
- 4.6 小结
- 4.7 思考题
- 4.8 延伸阅读
- 第5章 记忆增强神经网络
- 5.1 NTM
- 5.1.1 NTM中的读与写
- 5.1.2 寻址机制
- 5.2 使用NTM复制任务
- 5.3 MANN
- 5.4 小结
- 5.5 思考题
- 5.6 延伸阅读
- 第6章 MAML及其变种
- 6.1 MAML
- 6.1.1 MAML算法
- 6.1.2 监督学习中的MAML
- 6.1.3 强化学习中的MAML
- 6.2 ADML
- 6.2.1 FGSM
- 6.2.2 ADML
- 6.2.3 从头构建ADML
- 6.3 CAML
- 6.4 小结
- 6.5 思考题
- 6.6 延伸阅读
- 第7章 Meta-SGD和Reptile
- 7.1 Meta-SGD
- 7.1.1 监督学习中的Meta-SGD
- 7.1.2 强化学习中的Meta-SGD
- 7.2 Reptile
- 7.2.1 Reptile算法
- 7.2.2 使用Reptile进行正弦曲线回归
- 7.3 小结
- 7.4 思考题
- 7.5 延伸阅读
- 第8章 梯度一致作为优化目标
- 8.1 梯度一致，一种优化方法
- 8.1.1 权重计算
- 8.1.2 算法
- 8.2 使用MAML构建梯度一致
- 8.2.1 生成数据点
- 8.2.2 单层神经网络
- 8.2.3 MAML中的梯度一致
- 8.3 小结
- 8.4 思考题
- 8.5 延伸阅读
- 第9章 新进展与未来方向
- 9.1 TAML
- 9.1.1 熵最大化/熵约简
- 9.1.2 不平等最小化
- 9.2 元模仿学习
- 9.3 CACTUs
- 9.4 概念空间元学习
- 9.4.1 关键部分
- 9.4.2 损失函数
- 9.4.3 算法
- 9.5 小结
- 9.6 思考题
- 9.7 延伸阅读
- 思考题答案
展开全部
评分及书评
评分不足
1个评分
出版方
人民邮电出版社·图灵出品
图灵社区成立于2005年6月，由人民邮电出版社投资控股，以策划出版高质量的科技书籍为核心业务，主要出版领域包括计算机、电子电气、数学统计、科普等，通过引进国际高水平的教材、专著，以及发掘国内优秀原创作品等途径，为目标读者提供一流的内容。
