遷移學習算法：應用與實踐

定　價：￥99.00

作　者：	莊福振朱勇椿祝恒書熊輝著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111726500	出版時間：	2023-06-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書首先從遷移學習采用的技術出發(fā)，系統(tǒng)地介紹每一類遷移學習算法，包括基于非負矩陣分解、概率模型、傳統(tǒng)深度學習、對抗深度學習、模型融合以及圖神經(jīng)網(wǎng)絡等的遷移學習算法。針對每一類算法，從問題定義、算法原理、算法流程等方面重點進行介紹。然后針對遷移學習的應用場景，介紹典型的應用案例。后，介紹遷移學習在百度飛槳平臺上的實踐。本書旨在讓遷移學習或者相關領域研究人員系統(tǒng)地掌握遷移學習的各類算法，熟悉各類應用場景，為遷移學習落地實踐提供指導和幫助。

作者簡介

　　莊福振北京航空航天大學教授，博士生導師，入選人才計劃。在Nature Communications、 PIEEE、TKDE、KDD、IJCAI、AAAI、 WWW、ICDE等本領域、重要國際期刊和國際會議上發(fā)表錄用論文150多篇，其中CCF A類80多篇；Google學術引用9700余次。2013年獲得中國人工智能學會優(yōu)秀博士學位論文獎，2017入選中國科學院青年創(chuàng)新促進會。朱勇椿博士，長期致力于可靠人工智能研究及應用，在KDD、WWW、SIGIR、TKDE等國際學術會議和期刊發(fā)表文章28篇，Google學術引用3300余次。公開或授權專利10余項。提出的方法應用到多家公司，包括騰訊、螞蟻金服、美團、中科睿鑒等。參與三本遷移學習相關書籍的撰寫、翻譯工作。擔任KDD、WWW、AAAI、TKDE、TOIS等會議和期刊審稿人，獲得2022年百度獎學金。祝恒書博士，北京市高端領軍人才正高級工程師，BOSS直聘職業(yè)科學實驗室（CSL）主任。他長期致力于人工智能領域前沿科學研究及跨領域產(chǎn)業(yè)應用，在國際學術期刊和會議上發(fā)表論文百余篇，授權國內(nèi)外專利近百項，多次榮獲年度論文獎。他曾獲得中國管理科學學會“管理科學獎” 、教育*自然科學獎一等獎、中國人工智能學會優(yōu)博、中國科學院優(yōu)博、中國科學院院長特別獎等榮譽和獎項。熊輝香港科學技術大學（廣州）講座教授、協(xié)理副校長。他獲得的部分榮譽包括AAAS Fellow、IEEE Fellow、ACM杰出科學家、中國教育*長江講座教授、中國國家基金委海外杰青B類（海外及港澳學者合作研究基金）、Harvard Business Review 2018年“拉姆·查蘭管理實踐獎-全場大獎”、2017 IEEE ICDM Outstanding Service Award、ICDM-2011研究論文獎和AAAI-2021論文獎。

圖書目錄

目錄

序
前言
作者簡介

第1章緒論1
11遷移學習緣起1
12學習的遷移理論2
13遷移學習定義4
14遷移學習與已有學習范式的關系5
15遷移學習未來的研究方向8

第2章基于非負矩陣分解的遷移學習算法10
21問題定義10
22基于共享詞簇的知識遷移11
23基于相似概念（共享詞簇-文檔簇關聯(lián)）的知識遷移12
24同時考慮相同和相似概念的知識遷移15
25綜合考慮相同、相似、差異概念的知識遷移17
26軟關聯(lián)的知識遷移21
27本章小結24
第3章基于概率模型的遷移學習算法26
31問題定義26
32基于EM算法的樸素貝葉斯遷移算法28
33基于概率潛在語義分析的主題共享領域遷移算法30
34基于協(xié)同對偶概率潛在語義分析的多域領域遷移33
35更普適的基于潛在語義分析的多域領域遷移36
36基于組對齊的跨領域標簽主題模型39
37基于粗粒度對齊主題模型的跨領域文本分類40
38本章小結42

第4章基于傳統(tǒng)深度學習的遷移學習方法43
41問題定義43
42基于深度自編碼器的遷移學習方法44
43深度領域自適應網(wǎng)絡45
44深度子領域自適應網(wǎng)絡48
45多表示自適應網(wǎng)絡51
46同時對齊分布和分類器的多源自適應方法54
47基于注意力特征圖的深度遷移學習方法57
48本章小結61

第5章基于對抗深度學習的遷移學習方法62
51問題定義64
52領域?qū)股窠?jīng)網(wǎng)絡64
53同時遷移領域和任務的遷移學習方法67
54基于生成對抗網(wǎng)絡的像素級領域自適應方法70
55化分類器一致性的無監(jiān)督領域自適應方法73
56循環(huán)一致對抗領域自適應方法77
57本章小結79
第6章基于模型融合的遷移學習算法80
61問題定義82
62基于Boosting的模型融合82
63有監(jiān)督與無監(jiān)督的融合88
64基于優(yōu)化目標正則化的方法98
65基于錨點的集成學習101
66本章小結104

第7章基于圖神經(jīng)網(wǎng)絡的遷移學習算法105
71問題定義106
72同質(zhì)圖神經(jīng)網(wǎng)絡的遷移學習算法106
73異質(zhì)圖神經(jīng)網(wǎng)絡的遷移學習算法114
74本章小結120

第8章多任務學習121
81問題定義122
82傳統(tǒng)多任務學習122
83基于深度神經(jīng)網(wǎng)絡的多任務學習134
84本章小結141

第9章多視圖學習算法143
91問題定義143
92基于概率潛在語義分析的多視圖學習144
93基于間隔原則的多視圖學習148
94基于子空間聚類方法的多視圖學習155
95基于完整空間方法的多視圖學習159
96多任務多視圖學習164
97推薦系統(tǒng)和人機對話領域的多視圖學習方法172
98本章小結180
第10章遷移學習應用181
101自然語言處理中的應用181
102計算機視覺中的應用187
103推薦系統(tǒng)中的應用205
104金融風控中的應用215
105城市計算中的應用217
106本章小結230

第11章百度飛槳遷移學習應用實踐231
111深度學習框架介紹231
112遷移學習在視頻分類中的實踐案例233
113遷移學習在目標檢測中的實踐案例241
114本章小結249

參考文獻250