人工智能 类型
可以朗读 语音朗读
218千字 字数
2021-06-01 发行日期
展开全部

主编推荐语

全面阐述元学习知识体系。

内容简介

本书介绍了元学习方法的发展历史、起源、思想、近来流行的元学习方法，以及这些方法的组织思路、改进方案、相互继承、如何应用。

本书共11章，分为两部分：元学习方法思想的介绍和元学习应用场景中模型的介绍。这些内容介绍了如何在元学习框架下融入强化学习、模仿学习、在线学习、无监督学习、迁移学习等，实现对实际应用中深度模型的改进，以适应复杂多变的实际任务。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 1 元学习概述
  • 1.1 研究背景
  • 1.1.1 元学习与深度学习的区别和联系
  • 1.1.2 元学习应用举例
  • 1.2 元学习的起源
  • 1.2.1 1987年的Jürgen Schmidhuber
  • 1.2.2 1990年的Stuart Russell和Eric H.Wefald
  • 1.3 近期发展
  • 1.3.1 1997年的长短期记忆网络LSTM
  • 1.3.2 2001年的LSTM元学习系统
  • 1.3.3 2017年的MAML算法
  • 1.3.4 2019年基于LSTM的元学习器
  • 1.3.5 2019年基于高效基础学习器的元学习
  • 2 元学习框架
  • 2.1 元学习研究常用数据集
  • 2.2 定义任务
  • 2.2.1 元学习任务的定义
  • 2.2.2 元强化学习任务的定义
  • 2.2.3 任务分解
  • 2.3 元学习训练框架
  • 2.4 元学习方法分类
  • 2.4.1 神经网络适应法
  • 2.4.2 度量学习适应法
  • 2.4.3 基础学习器和元学习器适应法
  • 2.4.4 贝叶斯元学习适应法
  • 2.4.5 元学习与其他学习框架结合
  • 2.5 元学习方法的比较
  • 3 元学习神经网络方法
  • 3.1 神经网络
  • 3.1.1 神经元
  • 3.1.2 权重、偏差和激活函数
  • 3.1.3 网络反向传播算法
  • 3.1.4 学习率、批尺寸、动量和权值衰减
  • 3.1.5 神经网络模型的正则化
  • 3.1.6 批归一化
  • 3.1.7 随机失活
  • 3.2 卷积神经网络
  • 3.2.1 卷积层和滤波器
  • 3.2.2 池化层和下采样层
  • 3.2.3 全连接层和上采样层
  • 3.2.4 经典卷积神经网络
  • 3.3 残差网络
  • 3.3.1 残差网络模块
  • 3.3.2 高速路神经网络
  • 3.3.3 宽残差网络
  • 3.4 元学习神经网络模型
  • 3.4.1 学会学习的神经网络学习器
  • 3.4.2 预训练深度神经网络的适应
  • 3.4.3 具有适应性的神经元设计
  • 3.5 自动化机器学习
  • 3.5.1 超参数优化
  • 3.5.2 元学习和自动化机器学习
  • 3.5.3 加速自动化机器学习
  • 3.5.4 决策式自动化机器学习
  • 3.5.5 渐进式自动化机器学习
  • 3.6 总结
  • 4 基于度量的元学习方法
  • 4.1 基于度量的学习
  • 4.1.1 度量的定义
  • 4.1.2 度量学习的应用
  • 4.1.3 有监督度量学习
  • 4.1.4 半监督度量学习
  • 4.1.5 无监督度量学习
  • 4.2 注意力模型
  • 4.3 记忆模块
  • 4.4 SNAIL算法
  • 4.5 Relation Network算法
  • 4.6 Prototypical Network算法
  • 4.7 TADAM算法
  • 4.8 Dynamic Few-Shot算法
  • 4.9 mAP算法
  • 4.10 总结
  • 5 基础学习器和元学习器结合的元学习方法
  • 5.1 基础学习器
  • 5.2 元学习器
  • 5.3 MAML算法
  • 5.4 Reptile算法
  • 5.5 循环神经网络
  • 5.5.1 RNN基础结构
  • 5.5.2 Bidirectional RNN
  • 5.5.3 LSTM
  • 5.5.4 Gated Recurrent Unit
  • 5.6 RNN元学习算法
  • 5.7 Meta-LSTM算法
  • 5.8 R2D2算法
  • 5.9 LR2D2算法
  • 5.10 MetaOptNet算法
  • 5.11 Transductive Propagation Network算法
  • 5.12 Latent Embedding Optimization算法
  • 6 贝叶斯思想下的元学习方法
  • 6.1 Bayesian Program Learning算法
  • 6.2 Neural Statistician算法
  • 6.3 LLAMA算法
  • 6.4 BMAML算法
  • 6.5 PLATIPUS算法
  • 6.6 VERSA算法
  • 7 元学习的应用场景
  • 7.1 元迁移学习
  • 7.2 元强化学习
  • 7.3 元模仿学习
  • 7.4 在线元学习
  • 7.5 无监督元学习
  • 8 元强化学习
  • 8.1 强化学习
  • 8.2 基于MAML的元强化学习
  • 8.3 GrBAL算法
  • 9 元模仿学习
  • 9.1 模仿学习
  • 9.2 MAML算法用于元模仿学习
  • 9.3 MetaMimic算法
  • 10 在线元学习
  • 10.1 在线学习
  • 10.2 FTML算法
  • 11 无监督元学习
  • 11.1 无监督学习
  • 11.2 CACTUs算法
展开全部

评分及书评

尚无评分
目前还没人评分
  • 加载中...

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。