終身機器學(xué)習(xí)（原書第2版）

定　價：￥79.00

作　者：	[美] 陳志源，劉兵著，陳健譯
出版社：	機械工業(yè)出版社
叢編項：	智能科學(xué)與技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥79.00)

ISBN：	9787111632122	出版時間：	2019-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	186	字?jǐn)?shù)：

內(nèi)容簡介

　　本書介紹終身學(xué)習(xí)這種高級機器學(xué)習(xí)范式，這種范式通過積累過去的知識持續(xù)地學(xué)習(xí)，并將學(xué)到的知識用于幫助在未來進行其他學(xué)習(xí)和解決問題。相比之下，當(dāng)前主流的機器學(xué)習(xí)范式都是孤立學(xué)習(xí)，即給定一個訓(xùn)練數(shù)據(jù)集，之后在這個數(shù)據(jù)集上運行機器學(xué)習(xí)算法以生成模型，然后再將該模型運用于預(yù)期的應(yīng)用。這些范式不保留已經(jīng)學(xué)到的知識，也不將其運用到后續(xù)的學(xué)習(xí)中。與孤立學(xué)習(xí)系統(tǒng)不同，人類只通過少量的樣例就能實現(xiàn)有效學(xué)習(xí)，這是因為人類的學(xué)習(xí)是知識驅(qū)動的，即只需少量的數(shù)據(jù)或付出，就能利用過去已經(jīng)學(xué)到的知識去學(xué)習(xí)新事物。終身學(xué)習(xí)的目標(biāo)就是模仿人類的這種學(xué)習(xí)能力，因為一個沒有持續(xù)學(xué)習(xí)能力的AI系統(tǒng)不能算作真正的智能。自本書第1版出版以來，終身學(xué)習(xí)的研究在相對較短的時間內(nèi)取得了顯著的進展。出版第2版是為了擴展終身學(xué)習(xí)的定義，更新部分章節(jié)的內(nèi)容，并添加一個新的章節(jié)來介紹深度神經(jīng)網(wǎng)絡(luò)中持續(xù)學(xué)習(xí)的內(nèi)容，這部分內(nèi)容在過去的兩三年里一直被積極研究。部分章節(jié)的內(nèi)容也進行了修改，使得內(nèi)容更有條理，方便讀者閱讀。此外，作者希望為這一研究領(lǐng)域提出一個統(tǒng)一的框架。目前，在機器學(xué)習(xí)中有幾個與終身學(xué)習(xí)密切相關(guān)的研究課題，特別是多任務(wù)學(xué)習(xí)、遷移學(xué)習(xí)以及元學(xué)習(xí)，因為它們也采用了知識共享和知識遷移的思想。本書之所以集中介紹這些技術(shù)并討論其異同，目的是在介紹終身機器學(xué)習(xí)的同時，對該領(lǐng)域的重要研究成果和新想法進行全面回顧。本書適用于對機器學(xué)習(xí)、數(shù)據(jù)挖掘、自然語言處理或模式識別感興趣的學(xué)生、研究人員和從業(yè)人員。

作者簡介

　　陳志源（Zhiyuan Chen），在伊利諾伊大學(xué)芝加哥分校劉兵教授的指導(dǎo)下獲得博士學(xué)位，博士論文題目為“終身機器學(xué)習(xí)：主題建模與分類”。他于2016年加入谷歌公司。他的研究興趣包括機器學(xué)習(xí)、自然語言處理、文本挖掘、數(shù)據(jù)挖掘和競價拍賣算法：他提出了幾種終身機器學(xué)習(xí)算法，實現(xiàn)了自動從文本文檔中挖掘信息，并在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要會議上發(fā)表了超過15篇長篇研究論文。他還在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三個關(guān)于終身機器學(xué)習(xí)的教程。他曾經(jīng)是許多著名的自然語言處理、數(shù)據(jù)挖掘、人工智能和互聯(lián)網(wǎng)研究會議的成員，并于201 5年獲得伊利諾伊州技術(shù)基金會頒發(fā)的有潛力50人獎，以表彰他的學(xué)術(shù)貢獻。劉兵（Bing Liu），是伊利諾伊大學(xué)芝加哥分校的杰出教授，在愛丁堡大學(xué)獲得了博士學(xué)位。他的研究興趣包括終身學(xué)習(xí)、情感分析、數(shù)據(jù)挖掘、機器學(xué)習(xí)和自然語言處理，他在會議和期刊上發(fā)表了大量論文，其中兩篇論文獲得了KDD 10年Test-of-Time 獎，一篇論文獲得WSDM 10年Test-of-Time 獎。他也是4冊書的作者，其中2本關(guān)于情感分析，1本關(guān)于終身學(xué)習(xí)，1本關(guān)于數(shù)據(jù)挖掘。他的一些工作被媒體廣泛報道，包括《紐約時報》的頭版文章。他是2018 ACM SIGKDD創(chuàng)新獎的獲得者，也是很多數(shù)據(jù)挖掘會議（包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD）的程序主席。他同時是包括TKDE、TWEB、DMKD和TKDD在內(nèi)的期刊的副編輯，還是很多自然語言處理、人工智能、網(wǎng)絡(luò)和數(shù)據(jù)挖掘會議的領(lǐng)域主席或者高級程序委員會成員，并且曾經(jīng)是2013～2017年ACM SIGKDD的主席，是ACM、AAAI和IEEE會士。陳健，現(xiàn)任華南理工大學(xué)教授、博士生導(dǎo)師，并擔(dān)任中國計算機學(xué)會高級會員、中國計算機學(xué)會數(shù)據(jù)庫專業(yè)委員會委員、廣東省計算機學(xué)會大數(shù)據(jù)專業(yè)委員會副主任、廣東省計算機學(xué)會數(shù)據(jù)庫分會理事、秘書長、廣東省計算機學(xué)會計算智能專業(yè)委員會委員。曾在加拿大西蒙弗雷澤大學(xué)計算機科學(xué)學(xué)院和新加坡國立大學(xué)計算學(xué)院從事數(shù)據(jù)挖掘和機器學(xué)習(xí)方面的研究工作，并主持多項國家、省級項目。近十年以來，在國際學(xué)術(shù)期刊和國際會議上發(fā)表論文六十多篇，出版譯著四部，主編叢書一部。

圖書目錄

譯者序
前　言
致　謝
第1章　引言1
　1.1　傳統(tǒng)機器學(xué)習(xí)范式1
　1.2　案例3
　1.3　終身學(xué)習(xí)簡史7
　1.4　終身學(xué)習(xí)的定義9
　1.5　知識類型和關(guān)鍵挑戰(zhàn)14
　1.6　評估方法和大數(shù)據(jù)的角色17
　1.7　本書大綱18
第2章　相關(guān)學(xué)習(xí)范式20
　2.1　遷移學(xué)習(xí)20
　　2.1.1　結(jié)構(gòu)對應(yīng)學(xué)習(xí)21
　　2.1.2　樸素貝葉斯遷移分類器22
　　2.1.3　遷移學(xué)習(xí)中的深度學(xué)習(xí)23
　　2.1.4　遷移學(xué)習(xí)與終身學(xué)習(xí)的區(qū)別24
　2.2　多任務(wù)學(xué)習(xí)25
　　2.2.1　多任務(wù)學(xué)習(xí)中的任務(wù)相關(guān)性25
　　2.2.2　GO-MTL：使用潛在基礎(chǔ)任務(wù)的多任務(wù)學(xué)習(xí)26
　　2.2.3　多任務(wù)學(xué)習(xí)中的深度學(xué)習(xí)28
　　2.2.4　多任務(wù)學(xué)習(xí)與終身學(xué)習(xí)的區(qū)別30
　2.3　在線學(xué)習(xí)30
　2.4　強化學(xué)習(xí)31
　2.5　元學(xué)習(xí)32
　2.6　小結(jié)34
第3章　終身監(jiān)督學(xué)習(xí)35
　3.1　定義和概述36
　3.2　基于記憶的終身學(xué)習(xí)37
　　3.2.1　兩個基于記憶的學(xué)習(xí)方法37
　　3.2.2　終身學(xué)習(xí)的新表達37
　3.3　終身神經(jīng)網(wǎng)絡(luò)39
　　3.3.1　MTL網(wǎng)絡(luò)39
　　3.3.2　終身EBNN40
　3.4　ELLA：高效終身學(xué)習(xí)算法41
　　3.4.1　問題設(shè)定41
　　3.4.2　目標(biāo)函數(shù)42
　　3.4.3　解決第一個低效問題43
　　3.4.4　解決第二個低效問題45
　　3.4.5　主動的任務(wù)選擇46
　3.5　終身樸素貝葉斯分類47
　　3.5.1　樸素貝葉斯文本分類47
　　3.5.2　LSC的基本思想49
　　3.5.3　LSC技術(shù)50
　　3.5.4　討論52
　3.6　基于元學(xué)習(xí)的領(lǐng)域詞嵌入52
　3.7　小結(jié)和評估數(shù)據(jù)集54
第4章　持續(xù)學(xué)習(xí)與災(zāi)難性遺忘56
　4.1　災(zāi)難性遺忘56
　4.2　神經(jīng)網(wǎng)絡(luò)中的持續(xù)學(xué)習(xí)58
　4.3　無遺忘學(xué)習(xí)61
　4.4　漸進式神經(jīng)網(wǎng)絡(luò)62
　4.5　彈性權(quán)重合并63
　4.6　iCaRL：增量分類器與表示學(xué)習(xí)65
　　4.6.1　增量訓(xùn)練66
　　4.6.2　更新特征表示67
　　4.6.3　為新類構(gòu)建范例集68
　　4.6.4　在iCaRL中完成分類68
　4.7　專家網(wǎng)關(guān)69
　　4.7.1　自動編碼網(wǎng)關(guān)69
　　4.7.2　測量訓(xùn)練的任務(wù)相關(guān)性70
　　4.7.3　為測試選擇最相關(guān)的專家71
　　4.7.4　基于編碼器的終身學(xué)習(xí)71
　4.8　生成式重放的持續(xù)學(xué)習(xí)72
　　4.8.1　生成式對抗網(wǎng)絡(luò)72
　　4.8.2　生成式重放73
　4.9　評估災(zāi)難性遺忘74
　4.10　小結(jié)和評估數(shù)據(jù)集75
第5章　開放式學(xué)習(xí)79
　5.1　問題定義和應(yīng)用80
　5.2　基于中心的相似空間學(xué)習(xí)81
　　5.2.1　逐步更新CBS學(xué)習(xí)模型82
　　5.2.2　測試CBS學(xué)習(xí)模型84
　　5.2.3　用于未知類檢測的CBS學(xué)習(xí)84
　5.3　DOC：深度開放式分類87
　　5.3.1　前饋層和一對其余層87
　　5.3.2　降低開放空間風(fēng)險89
　　5.3.3　DOC用于圖像分類90
　　5.3.4　發(fā)現(xiàn)未知類90
　5.4　小結(jié)和評估數(shù)據(jù)集91
第6章　終身主題建模93
　6.1　終身主題建模的主要思想93
　6.2　LTM：終身主題模型97
　　6.2.1　LTM模型97
　　6.2.2　主題知識挖掘99
　　6.2.3　融合過去的知識100
　　6.2.4　Gibbs采樣器的條件分布102
　6.3　AMC：少量數(shù)據(jù)的終身主題模型102
　　6.3.1　AMC整體算法103
　　6.3.2　挖掘must-link知識104
　　6.3.3　挖掘cannot-link知識107
　　6.3.4　擴展的Pólya甕模型108
　　6.3.5　Gibbs采樣器的采樣分布110
　6.4　小結(jié)和評估數(shù)據(jù)集112
第7章　終身信息提取114
　7.1　NELL：永不停止語言學(xué)習(xí)器114
　　7.1.1　NELL結(jié)構(gòu)117
　　7.1.2　NELL中的提取器與學(xué)習(xí)118
　　7.1.3　NELL中的耦合約束120
　7.2　終身評價目標(biāo)提取121
　　7.2.1　基于推薦的終身學(xué)習(xí)122
　　7.2.2　AER算法123
　　7.2.3　知識學(xué)習(xí)124
　　7.2.4　使用過去知識推薦125
　7.3　在工作中學(xué)習(xí)126
　　7.3.1　條件隨機場127
　　7.3.2　一般依賴特征128
　　7.3.3　L-CRF算法130
　7.4　Lifelong-RL：終身松弛標(biāo)記法131
　　7.4.1　松弛標(biāo)記法132
　　7.4.2　終身松弛標(biāo)記法133
　7.5　小結(jié)和評估數(shù)據(jù)集133
第8章　聊天機器人的持續(xù)知識學(xué)習(xí)135
　8.1　LiLi：終身交互學(xué)習(xí)與推理136
　8.2　LiLi的基本思想139
　8.3　LiLi的組件141
　8.4　運行示例142
　8.5　小結(jié)和評估數(shù)據(jù)集142
第9章　終身強化學(xué)習(xí)144
　9.1　基于多環(huán)境的終身強化學(xué)習(xí)146
　9.2　層次貝葉斯終身強化學(xué)習(xí)147
　　9.2.1　動機147
　　9.2.2　層次貝葉斯方法148
　　9.2.3　MTRL算法149
　　9.2.4　更新層次模型參數(shù)150
　　9.2.5　對MDP進行采樣151
　9.3　PG-ELLA：終身策略梯度強化學(xué)習(xí)152
　　9.3.1　策略梯度強化學(xué)習(xí)152
　　9.3.2　策略梯度終身學(xué)習(xí)設(shè)置154
　　9.3.3　目標(biāo)函數(shù)和優(yōu)化154
　　9.3.4　終身學(xué)習(xí)的安全策略搜索156
　　9.3.5　跨領(lǐng)域終身強化學(xué)習(xí)156
　9.4　小結(jié)和評估數(shù)據(jù)集157
第10章　結(jié)論及未來方向159
參考文獻164