万本电子书0元读

万本电子书0元读

顶部广告

迁移学习导论电子书

迁移学习路线图,业内大咖好评力荐

售       价:¥

纸质售价:¥81.20购买纸书

84人正在读 | 0人评论 6.2

作       者:王晋东,陈益强

出  版  社:电子工业出版社

出版时间:2021-05-01

字       数:24.1万

所属分类: 科技 > 计算机/网络 > 多媒体/数据通信

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
迁移学习作为机器学习和人工智能领域的重要方法,在计算机视觉、自然语言处理、语音识别等领域都得到了广泛的应用。本书的编写目的是帮助迁移学习及机器学习相关领域的初学者快速门。全书主要分为背景与概念、方法与技术、扩展与探索及应用与展望四大部分。除此之外,本书还配有相关的代码、数据和论文资料,*限度地降低初学者的学习和使用门槛。本书适合对迁移学习感兴趣的读者阅读,也可以作为相关课程的配套教材。<br/>【作者】<br/>王晋东微软亚洲研究院研究员、中国科学院计算技术研究所博士,主要从事迁移学习、深度学习方面的研究。研究成果发表在IEEE TNNLS、ACM TIST、CVPR、IJCAI、ACMMM、UbiComp等期刊和会议,获得国家奖学金、中国科学院百篇优秀博士论文奖、中科院计算所所长特别奖学金等。担任国际会议IJCAI 2019的宣传主席、国际期刊会议IEEE TPAMI、TKDE、ICML、NeurIPS、ICLR、CVPR等的审稿人或程序委员会委员。热心知识分享,在知乎的博客文章浏览次数逾700万次。陈益强中国科学院计算技术研究所所务委员、研究员、CCF Fellow。北京市移动计算与新型终端重实验室主任、中科院计算所泛在计算系统研究中心主任、中科院计算所泛在智能研究院院长。曾选国家“万人计划”科技创新领军人才、科技部中青年科技创新领军人才、北京市科技新星等;国务院政府特殊津贴专家,担任东京大学、南洋理工大学兼职教授,以及IJMLC等6个刊物的编委、IEEE可穿戴与智能交互技术委员会创始委员等。获 IJCAI-FL 应用论文奖等在内的会议论文奖 6 项;相关成果获7 项国家及省部级科技奖。<br/>
目录展开

前折页

内容简介

好评袭来

写在前面

致谢

前言

符号表

术语表

第一部分 背景与概念

第1章 绪论

1.1 迁移学习

1.2 相关研究领域

1.3 迁移学习的必要性

1.4 迁移学习的研究领域

1.5 迁移学习的应用

1.6 学术会议和工业界中的迁移学习

第2章 从机器学习到迁移学习

2.1 机器学习及基本概念

2.2 结构风险最小化

2.3 数据的概率分布

2.4 概念与符号

2.5 迁移学习的问题定义

第3章 迁移学习基本问题

3.1 何处迁移

3.2 何时迁移

3.3 如何迁移

3.4 失败的迁移:负迁移

3.5 完整的迁移学习过程

第二部分 方法与技术

第4章 迁移学习方法总览

4.1 迁移学习总体思路

4.2 分布差异的度量

4.3 迁移学习统一表征

4.4 上手实践

4.5 迁移学习理论

第5章 样本权重迁移法

5.1 问题定义

5.2 基于样本选择的方法

5.3 基于权重自适应的方法

5.4 上手实践

5.5 小结

第6章 统计特征变换迁移法

6.1 问题定义

6.2 最大均值差异法

6.3 度量学习法

6.4 上手实践

6.5 小结

第7章 几何特征变换迁移法

7.1 问题定义

7.2 子空间变换法

7.3 流形学习法

7.4 最优传输法

7.5 上手实践

7.6 小结

第8章 预训练方法

8.1 深度网络的可迁移性

8.2 预训练–微调

8.3 预训练方法的有效性分析

8.4 自适应的预训练方法

8.5 重新思考预训练模型的使用

8.6 上手实践

8.7 小结

第9章 深度迁移学习

9.1 总体思路

9.2 深度迁移学习的网络结构

9.3 数据分布自适应的深度迁移学习方法

9.4 结构自适应的深度迁移学习方法

9.5 知识蒸馏

9.6 上手实践

9.7 小结

第10章 对抗迁移学习

10.1 生成对抗网络

10.2 对抗迁移学习基本思路

10.3 数据分布自适应的对抗迁移方法

10.4 基于信息解耦的对抗迁移方法

10.5 基于数据生成的对抗迁移方法

10.6 上手实践

10.7 小结

第11章 迁移学习热门研究问题

11.1 类别不均衡的迁移学习

11.2 多源迁移学习

11.3 开放集迁移学习

11.4 时间序列的迁移学习

11.5 联邦迁移学习

11.6 基于因果关系的迁移学习

11.7 自动迁移学习

11.8 在线迁移学习

第三部分 扩展与探索

第12章 领域泛化

12.1 领域泛化问题

12.2 基于数据分布自适应的方法

12.3 基于解耦的方法

12.4 基于集成模型的方法

12.5 基于数据生成的方法

12.6 基于元学习的方法

12.7 小结

第13章 元学习

13.1 元学习简介

13.2 基于模型的元学习方法

13.3 基于度量的元学习方法

13.4 基于优化的元学习方法

13.5 元学习的应用与挑战

13.6 小结

第14章 迁移学习模型选择

14.1 模型选择

14.2 基于密度估计的模型选择

14.3 迁移交叉验证

14.4 小结

第四部分 应用与展望

第15章 迁移学习的应用

15.1 计算机视觉

15.2 自然语言处理

15.3 语音识别与合成

15.4 普适计算与人机交互

15.5 医疗健康领域

15.6 其他应用

15.7 小结

第16章 迁移学习前沿

16.1 融合人类经验的迁移

16.2 迁移强化学习

16.3 迁移学习的可解释性

16.4 迁移学习系统

附录A

A.1 常用度量准则

A.2 迁移学习常用数据集

A.3 本书相关资源

参考文献

后折页

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部