Python元學習：通用人工智能的實現(xiàn)

定　價：￥59.00

作　者：	蘇達?！だS尚迪蘭著，葛言譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115539670	出版時間：	2020-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	146	字數(shù)：

內容簡介

　　元學習是當今人工智能研究的熱門領域之一，被視為實現(xiàn)通用人工智能的基礎。本書介紹元學習及其原理，講解各種單樣本學習算法，例如孿生網絡、原型網絡、關系網絡和記憶增強網絡，并在基于Python的TensorFlow與Keras中實現(xiàn)它們。讀者能夠從本書中了解先進的元學習算法，如模型無關元學習、Reptile和元學習的上下文適應。此外，本書還探索如何使用元隨機梯度下降法來快速學習，以及如何使用元學習來進行無監(jiān)督學習。本書適合機器學習愛好者、人工智能研究人員和數(shù)據(jù)科學家閱讀。

作者簡介

　　蘇達桑·拉維尚迪蘭（Sudharsan Ravichandiran）目前在眾包網站Freelancer擔任數(shù)據(jù)科學家。他是積極的開源項目貢獻者和暢銷書作家，在YouTube網站上發(fā)布的授課視頻廣受好評。重點關注深度學習和強化學習的實際應用，尤其是自然語言處理和計算機視覺領域的相關研究?！咀g者簡介】葛言本科畢業(yè)于華中科技大學經濟學院國際商務專業(yè)（英語雙學位），保送上海財經大學交叉科學研究院管理科學與工程直博，目前從事運籌學相關研究與Python開發(fā)工作。譯有《精通Python設計模式（第2版）》等書。

圖書目錄

第 1章元學習簡介　1
1．1 元學習　1
1．2 元學習的類型　2
1．2．1 學習度量空間　2
1．2．2 學習初始化　3
1．2．3 學習優(yōu)化器　3
1．3 通過梯度下降來學習如何通過梯度下降來學習　3
1．4 少樣本學習的優(yōu)化模型　5
1．5 小結　8
1．6 思考題　8
1．7 延伸閱讀　8
第 2章使用孿生網絡進行人臉識別與音頻識別　9
2．1 什么是孿生網絡　9
2．1．1 孿生網絡的架構　10
2．1．2 孿生網絡的應用　12
2．2 使用孿生網絡進行人臉識別　12
2．3 使用孿生網絡進行音頻識別　20
2．4 小結　24
2．5 思考題　24
2．6 延伸閱讀　24
第3章原型網絡及其變體　25
3．1 原型網絡　25
3．1．1 算法　31
3．1．2 使用原型網絡執(zhí)行分類　31
3．2 高斯原型網絡　37
3．3 半原型網絡　41
3．4 小結　42
3．5 思考題　42
3．6 延伸閱讀　42
第4章使用TensorFlow構建關系網絡與匹配網絡　43
4．1 關系網絡　43
4．1．1 單樣本學習中的關系網絡　43
4．1．2 少樣本學習中的關系網絡　 46
4．1．3 零樣本學習中的關系網絡　48
4．1．4 損失函數(shù)　49
4．2 使用TensorFlow構建關系網絡　49
4．3 匹配網絡　51
4．4 匹配網絡的架構　55
4．5 TensorFlow中的匹配網絡　55
4．6 小結　60
4．7 思考題　60
4．8 延伸閱讀　60
第5章記憶增強神經網絡　61
5．1 NTM　61
5．1．1 NTM中的讀與寫　62
5．1．2 尋址機制　65
5．2 使用NTM復制任務　68
5．3 MANN　77
5．4 小結　80
5．5 思考題　80
5．6 延伸閱讀　80
第6章 MAML及其變種　81
6．1 MAML　81
6．1．1 MAML算法　83
6．1．2 監(jiān)督學習中的MAML　86
6．1．3 強化學習中的MAML　92
6．2 ADML　93
6．2．1 FGSM　94
6．2．2 ADML　94
6．2．3 從頭構建ADML　95
6．3 CAML　103
6．4 小結　104
6．5 思考題　105
6．6 延伸閱讀　105
第7章 Meta-SGD和Reptile　106
7．1 Meta-SGD　106
7．1．1 監(jiān)督學習中的Meta-SGD　108
7．1．2 強化學習中的Meta-SGD　114
7．2 Reptile　114
7．2．1 Reptile算法　115
7．2．2 使用Reptile進行正弦曲線回歸　116
7．3 小結　121
7．4 思考題　121
7．5 延伸閱讀　121
第8章梯度一致作為優(yōu)化目標　122
8．1 梯度一致，一種優(yōu)化方法　122
8．1．1 權重計算　124
8．1．2 算法　124
8．2 使用MAML構建梯度一致　125
8．2．1 生成數(shù)據(jù)點　126
8．2．2 單層神經網絡　126
8．2．3 MAML中的梯度一致　126
8．3 小結　131
8．4 思考題　131
8．5 延伸閱讀　131
第9章新進展與未來方向　132
9．1 TAML　132
9．1．1 熵最大化/熵約簡　133
9．1．2 不平等最小化　134
9．2 元模仿學習　136
9．3 CACTUs　137
9．4 概念空間元學習　138
9．4．1 關鍵部分　140
9．4．2 損失函數(shù)　140
9．4．3 算法　141
9．5 小結　142
9．6 思考題　142
9．7 延伸閱讀　142
思考題答案　143