书籍详情
![《元学习》[25M]百度网盘|亲测有效|pdf下载](/uploads/2024-01-20/5bd7998a89801c48.jpg)
元学习
- 出版社:文轩网旗舰店
- 出版时间:2021-06
- 热度:11768
- 上架时间:2024-06-30 09:38:03
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
作 者:彭慧民 编
定 价:89
出 版 社:电子工业出版社
出版日期:2021年06月01日
页 数:272
装 帧:平装
ISBN:9787121409844
"本书是市面上不多见的系统阐述元学习知识体系的著作，特色有四：
全方位：梳理元学习发展脉络，理清关键知识点
立体化：阐述元学习的基本理论框架与技术方法
多维度：分析元学习与人工智能其他方法的综合运用
实用度：介绍元学习应用场景中的模型，以适应多变的实际任务"
●第1章元学习概述8
1.1研究背景13
1.1.1元学习与深度学习的区别和联系15
1.1.2元学习应用举例19
1.2元学习起源21
1.2.11987年的JürgenSchmidhuber21
1.2.21990年的StuartRussell和EricH.Wefald24
1.3近期发展25
1.3.11997年长短期记忆网络LSTM26
1.3.22001年LSTM元学习系统27
1.3.32017年MAML算法28
1.3.42019年基于LSTM的元学习器28
1.3.52019年基于高效基础学习器的元学习29
1.4参考文献和扩展阅读30
第2章元学习框架32
2.1元学习研究常用数据集33
2.2定义任务36
2.2.1元学习任务的定义37
2.2.2元强化学习任务的定义38
2.2.3任务分解39
2.3元学习训练框架40
2.4元学习方法分类42
2.4.1神经网络适应法42
2.4.2度量学习适应法43
2.4.3基础学习器和元学习器适应法44
2.4.4贝叶斯元学习适应法44
2.4.5元学习与其他学习框架结合45
2.5元学习方法比较46
2.6参考文献和扩展阅读48
第3章元学经网络方法49
3.1神经网络51
3.1.1神经元51
3.1.2权重、偏差和激活函数52
3.1.3网络反向传播算法54
3.1.4学习率、批尺寸、动量和权值衰减56
3.1.5神经网络模型的正则化58
3.1.6批归一化59
3.1.7随机失活61
3.2卷积神经网络62
3.2.1卷积层和滤波器62
3.2.2池化层和下采样层64
3.2.3全连接层和上采样层66
3.2.4经典卷积神经网络67
3.3残差网络69
3.3.1残差网络模块69
3.3.2高速路神经网络70
3.3.3宽残差网络70
3.4元学经网络模型71
3.4.1学会学习的神经网络学习器72
3.4.2预训练深度神经网络的适应73
3.4.3具有适应性的神经元设计75
3.5自动化机器学习80
3.5.1超参数优化80
3.5.2元学习和自动化机器学习81
3.5.3加速自动化机器学习84
3.5.4决策式自动化机器学习88
3.5.5渐进式自动化机器学习90
3.6总结95
3.7参考文献和扩展阅读95
第4章基于度量的元学习方法98
4.1基于度量的学习99
4.1.1度量的定义100
4.1.2度量学习的应用102
4.1.3有监督度量学习103
4.1.4半监督度量学习106
4.1.5无监督度量学习108
4.2注意力模型108
4.3记忆模块109
4.4SNAIL算法113
4.5RelationNetwork算法115
4.6PrototypicalNetwork算法118
4.7TADAM算法120
4.8DynamicFew-Shot算法123
4.9mAP算法128
4.10总结132
4.11参考文献和扩展阅读133
第5章基础学习器和元学习器结合的元学习134
5.1基础学习器137
5.2元学习器138
5.3MAML算法139
5.4Reptile算法145
5.5RecurrentNeuralNetwork149
5.5.1RNN基础结构149
5.5.2BidirectionalRNN152
5.5.3LongShort-TermMemory153
5.5.4GatedRecurrentUnit156
5.6RNN元学习算法158
5.7Meta-LSTM算法160
5.8R2D2算法164
5.9LR2D2算法167
5.10MetaOptNet算法170
5.11TransductivePropagationNetwork算法173
5.12LatentEmbeddingOptimization算法178
5.13参考文献和扩展阅读182
第6章贝叶斯思想下的元学习方法184
6.1BayesianProgramLearning算法186
6.2NeuralStatistician算法189
6.3LLAMA算法192
6.4BMAML算法197
6.5PLATIPUS算法202
6.6VERSA算法204
6.7参考文献和扩展阅读207
第7章元学习的应用场景208
7.1元迁移学习211
7.2元强化学习212
7.3元模仿学习213
7.4在线元学习213
7.5无监督元学习214
7.6参考文献和扩展阅读215
第8章元强化学习216
8.1强化学习216
8.2基于MAML的元强化学习218
8.3GrBAL算法219
8.4参考文献和扩展阅读222
第9章元模仿学习223
9.1模仿学习223
9.2MAML算法用于元模仿学习225
9.3MetaMimic算法226
9.4参考文献和扩展阅读229
第10章在线元学习229
10.1在线学习229
10.2FTML算法231
10.3参考文献和扩展阅读233
第11章无监督元学习233
11.1无监督学习233
11.2CACTUs算法235
1.1研究背景13
1.1.1元学习与深度学习的区别和联系15
1.1.2元学习应用举例19
1.2元学习起源21
1.2.11987年的JürgenSchmidhuber21
1.2.21990年的StuartRussell和EricH.Wefald24
1.3近期发展25
1.3.11997年长短期记忆网络LSTM26
1.3.22001年LSTM元学习系统27
1.3.32017年MAML算法28
1.3.42019年基于LSTM的元学习器28
1.3.52019年基于高效基础学习器的元学习29
1.4参考文献和扩展阅读30
第2章元学习框架32
2.1元学习研究常用数据集33
2.2定义任务36
2.2.1元学习任务的定义37
2.2.2元强化学习任务的定义38
2.2.3任务分解39
2.3元学习训练框架40
2.4元学习方法分类42
2.4.1神经网络适应法42
2.4.2度量学习适应法43
2.4.3基础学习器和元学习器适应法44
2.4.4贝叶斯元学习适应法44
2.4.5元学习与其他学习框架结合45
2.5元学习方法比较46
2.6参考文献和扩展阅读48
第3章元学经网络方法49
3.1神经网络51
3.1.1神经元51
3.1.2权重、偏差和激活函数52
3.1.3网络反向传播算法54
3.1.4学习率、批尺寸、动量和权值衰减56
3.1.5神经网络模型的正则化58
3.1.6批归一化59
3.1.7随机失活61
3.2卷积神经网络62
3.2.1卷积层和滤波器62
3.2.2池化层和下采样层64
3.2.3全连接层和上采样层66
3.2.4经典卷积神经网络67
3.3残差网络69
3.3.1残差网络模块69
3.3.2高速路神经网络70
3.3.3宽残差网络70
3.4元学经网络模型71
3.4.1学会学习的神经网络学习器72
3.4.2预训练深度神经网络的适应73
3.4.3具有适应性的神经元设计75
3.5自动化机器学习80
3.5.1超参数优化80
3.5.2元学习和自动化机器学习81
3.5.3加速自动化机器学习84
3.5.4决策式自动化机器学习88
3.5.5渐进式自动化机器学习90
3.6总结95
3.7参考文献和扩展阅读95
第4章基于度量的元学习方法98
4.1基于度量的学习99
4.1.1度量的定义100
4.1.2度量学习的应用102
4.1.3有监督度量学习103
4.1.4半监督度量学习106
4.1.5无监督度量学习108
4.2注意力模型108
4.3记忆模块109
4.4SNAIL算法113
4.5RelationNetwork算法115
4.6PrototypicalNetwork算法118
4.7TADAM算法120
4.8DynamicFew-Shot算法123
4.9mAP算法128
4.10总结132
4.11参考文献和扩展阅读133
第5章基础学习器和元学习器结合的元学习134
5.1基础学习器137
5.2元学习器138
5.3MAML算法139
5.4Reptile算法145
5.5RecurrentNeuralNetwork149
5.5.1RNN基础结构149
5.5.2BidirectionalRNN152
5.5.3LongShort-TermMemory153
5.5.4GatedRecurrentUnit156
5.6RNN元学习算法158
5.7Meta-LSTM算法160
5.8R2D2算法164
5.9LR2D2算法167
5.10MetaOptNet算法170
5.11TransductivePropagationNetwork算法173
5.12LatentEmbeddingOptimization算法178
5.13参考文献和扩展阅读182
第6章贝叶斯思想下的元学习方法184
6.1BayesianProgramLearning算法186
6.2NeuralStatistician算法189
6.3LLAMA算法192
6.4BMAML算法197
6.5PLATIPUS算法202
6.6VERSA算法204
6.7参考文献和扩展阅读207
第7章元学习的应用场景208
7.1元迁移学习211
7.2元强化学习212
7.3元模仿学习213
7.4在线元学习213
7.5无监督元学习214
7.6参考文献和扩展阅读215
第8章元强化学习216
8.1强化学习216
8.2基于MAML的元强化学习218
8.3GrBAL算法219
8.4参考文献和扩展阅读222
第9章元模仿学习223
9.1模仿学习223
9.2MAML算法用于元模仿学习225
9.3MetaMimic算法226
9.4参考文献和扩展阅读229
第10章在线元学习229
10.1在线学习229
10.2FTML算法231
10.3参考文献和扩展阅读233
第11章无监督元学习233
11.1无监督学习233
11.2CACTUs算法235
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。
彭慧民 编
"彭慧民
2012年毕业于清华大学水利水电工程系，获工程学学士、经济学学士双学位；2017年毕业于美国北卡罗莱纳州立大学统计系，获统计学博士学位，研究方向是高维数据和因果推断；2019年完成在清华大学金融系的博士后工作，研究方向是公募基金业绩评价。之后在浪潮（北京）电子信息产业有限公司做国家重点实验室研究员，从事机器学习的研究工作。"