欢迎光临中图网 请 | 注册

终身机器学习

出版社:机械工业出版社出版时间:2019-08-01
开本: 26cm 页数: 10,186页
本类榜单:教材销量榜
中 图 价:¥71.1(9.0折) 定价  ¥79.0 登录后可看到会员价
暂时缺货 收藏
运费6元,满69元免运费
?快递不能达地区使用邮政小包,运费14元起
云南、广西、海南、新疆、青海、西藏六省,部分地区快递不可达
本类五星书更多>

终身机器学习 版权信息

终身机器学习 本书特色

本书介绍终身学习这种高级机器学习范式,这种范式通过积累过去的知识持续地学习,并将学到的知识用于帮助在未来进行其他学习和解决问题。相比之下,当前主流的机器学习范式都是孤立学习,即给定一个训练数据集,之后在这个数据集上运行机器学习算法以生成模型,然后再将该模型运用于预期的应用。这些范式不保留已经学到的知识,也不将其运用到后续的学习中。与孤立学习系统不同,人类只通过少量的样例就能实现有效学习,这是因为人类的学习是知识驱动的,即只需少量的数据或付出,就能利用过去已经学到的知识去学习新事物。终身学习的目标就是模仿人类的这种学习能力,因为一个没有持续学习能力的AI系统不能算作真正的智能。
自本书第1版出版以来,终身学习的研究在相对较短的时间内取得了显著的进展。出版第2版是为了扩展终身学习的定义,更新部分章节的内容,并添加一个新的章节来介绍深度神经网络中持续学习的内容,这部分内容在过去的两三年里一直被积极研究。部分章节的内容也进行了修改,使得内容更有条理,方便读者阅读。此外,作者希望为这一研究领域提出一个统一的框架。目前,在机器学习中有几个与终身学习密切相关的研究课题,特别是多任务学习、迁移学习以及元学习,因为它们也采用了知识共享和知识迁移的思想。本书之所以集中介绍这些技术并讨论其异同,目的是在介绍终身机器学习的同时,对该领域的重要研究成果和新想法进行全面回顾。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员和从业人员。

终身机器学习 内容简介

本书介绍终身机器学习这种高级机器学习范式,该范式通过积累过去的知识持续地学习,并将所学到的知识用于帮助在未来进行其他学习和解决问题。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员。

终身机器学习 目录

译者序 前 言 致 谢 第1章 引言11.1 传统机器学习范式11.2 案例31.3 终身学习简史71.4 终身学习的定义91.5 知识类型和关键挑战141.6 评估方法和大数据的角色171.7 本书大纲18 第2章 相关学习范式202.1 迁移学习202.1.1 结构对应学习212.1.2 朴素贝叶斯迁移分类器222.1.3 迁移学习中的深度学习232.1.4 迁移学习与终身学习的区别242.2 多任务学习252.2.1 多任务学习中的任务相关性252.2.2 GO-MTL:使用潜在基础任务的多任务学习262.2.3 多任务学习中的深度学习282.2.4 多任务学习与终身学习的区别302.3 在线学习302.4 强化学习312.5 元学习322.6 小结34 第3章 终身监督学习353.1 定义和概述363.2 基于记忆的终身学习373.2.1 两个基于记忆的学习方法373.2.2 终身学习的新表达373.3 终身神经网络393.3.1 MTL网络393.3.2 终身EBNN403.4 ELLA:高效终身学习算法413.4.1 问题设定413.4.2 目标函数423.4.3 解决**个低效问题433.4.4 解决第二个低效问题453.4.5 主动的任务选择463.5 终身朴素贝叶斯分类473.5.1 朴素贝叶斯文本分类473.5.2 LSC的基本思想493.5.3 LSC技术503.5.4 讨论523.6 基于元学习的领域词嵌入523.7 小结和评估数据集54 第4章 持续学习与灾难性遗忘564.1 灾难性遗忘564.2 神经网络中的持续学习584.3 无遗忘学习614.4 渐进式神经网络624.5 弹性权重合并634.6 iCaRL:增量分类器与表示学习654.6.1 增量训练664.6.2 更新特征表示674.6.3 为新类构建范例集684.6.4 在iCaRL中完成分类684.7 专家网关694.7.1 自动编码网关694.7.2 测量训练的任务相关性704.7.3 为测试选择*相关的专家714.7.4 基于编码器的终身学习714.8 生成式重放的持续学习724.8.1 生成式对抗网络724.8.2 生成式重放734.9 评估灾难性遗忘744.10 小结和评估数据集75 第5章 开放式学习795.1 问题定义和应用805.2 基于中心的相似空间学习815.2.1 逐步更新CBS学习模型825.2.2 测试CBS学习模型845.2.3 用于未知类检测的CBS学习845.3 DOC:深度开放式分类875.3.1 前馈层和一对其余层875.3.2 降低开放空间风险895.3.3 DOC用于图像分类905.3.4 发现未知类905.4 小结和评估数据集91 第6章 终身主题建模936.1 终身主题建模的主要思想936.2 LTM:终身主题模型976.2.1 LTM模型976.2.2 主题知识挖掘996.2.3 融合过去的知识1006.2.4 Gibbs采样器的条件分布1026.3 AMC:少量数据的终身主题模型1026.3.1 AMC整体算法1036.3.2 挖掘must-link知识1046.3.3 挖掘cannot-link知识1076.3.4 扩展的Pólya瓮模型1086.3.5 Gibbs采样器的采样分布1106.4 小结和评估数据集112 第7章 终身信息提取1147.1 NELL:永不停止语言学习器1147.1.1 NELL结构1177.1.2 NELL中的提取器与学习1187.1.3 NELL中的耦合约束1207.2 终身评价目标提取1217.2.1 基于推荐的终身学习1227.2.2 AER算法1237.2.3 知识学习1247.2.4 使用过去知识推荐1257.3 在工作中学习1267.3.1 条件随机场1277.3.2 一般依赖特征1287.3.3 L-CRF算法1307.4 Lifelong-RL:终身松弛标记法1317.4.1 松弛标记法1327.4.2 终身松弛标记法1337.5 小结和评估数据集133 第8章 聊天机器人的持续知识学习1358.1 LiLi:终身交互学习与推理1368.2 LiLi的基本思想1398.3 LiLi的组件1418.4 运行示例1428.5 小结和评估数据集142 第9章 终身强化学习1449.1 基于多环境的终身强化学习1469.2 层次贝叶斯终身强化学习1479.2.1 动机1479.2.2 层次贝叶斯方法1489.2.3 MTRL算法1499.2.4 更新层次模型参数1509.2.5 对MDP进行采样1519.3 PG-ELLA:终身策略梯度强化学习1529.3.1 策略梯度强化学习1529.3.2 策略梯度终身学习设置1549.3.3 目标函数和优化1549.3.4 终身学习的安全策略搜索1569.3.5 跨领域终身强化学习1569.4 小结和评估数据集157 第10章 结论及未来方向159 参考文献164
展开全部

终身机器学习 作者简介

陈志源(ZhiyuanChen)在伊利诺伊大学芝加哥分校刘兵教授的指导下获得博士学位,博士论文题目为“终身机器学习:主题建模与分类”。他于2016年加入谷歌公司。他的研究兴趣包括机器学习、自然语言处理、文本挖掘、数据挖掘和竞价拍卖算法。他提出了几种终身机器学习算法,实现了自动从文本文档中挖掘信息,并在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要会议上发表了超过15篇长篇研究论文。他还在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三个关于终身机器学习的教程。他曾经是许多著名的自然语言处理、数据挖掘、人工智能和互联网研究会议的成员,并于2015年获得伊利诺伊州技术基金会颁发的最有潜力50人奖,以表彰他的学术贡献。
陈志源(Zhiyuan Chen)在伊利诺伊大学芝加哥分校刘兵教授的指导下获得博士学位,博士论文题目为“终身机器学习:主题建模与分类”。他于2016年加入谷歌公司。他的研究兴趣包括机器学习、自然语言处理、文本挖掘、数据挖掘和竞价拍卖算法。他提出了几种终身机器学习算法,实现了自动从文本文档中挖掘信息,并在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要会议上发表了超过15篇长篇研究论文。他还在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三个关于终身机器学习的教程。他曾经是许多著名的自然语言处理、数据挖掘、人工智能和互联网研究会议的成员,并于2015年获得伊利诺伊州技术基金会颁发的最有潜力50人奖,以表彰他的学术贡献。

刘兵(Bing Liu)是伊利诺伊大学芝加哥分校的杰出教授,在爱丁堡大学获得了博士学位。他的研究兴趣包括终身学习、情感分析、数据挖掘、机器学习和自然语言处理,他在顶级会议和期刊上发表了大量论文,其中两篇论文获得了KDD 10年Test-of-Time奖,一篇论文获得WSDM 10年Test-of-Time奖。他也是4本书的作者,其中2本关于情感分析,1本关于终身学习,1本关于数据挖掘。他的一些工作被媒体广泛报道,包括《纽约时报》的头版文章。他是2018 ACM SIGKDD创新奖的获得者,也是很多顶级数据挖掘会议(包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD)的程序主席。他同时是包括TKDE、TWEB、DMKD和TKDD在内的顶级期刊的副编辑,还是很多自然语言处理、人工智能、网络和数据挖掘会议的领域主席或者高级程序委员会成员,并且曾经是2013~2017年ACM SIGKDD的主席,是ACM、AAAI和IEEE会士。

商品评论(0条)
暂无评论……
书友推荐
本类畅销
编辑推荐
返回顶部
中图网
在线客服