滿額折
Python元學習：通用人工智能的實現（簡體書）
商品資訊
系列名：圖靈程序設計叢書
ISBN13：9787115539670
出版社：人民郵電出版社
作者：(印)蘇達桑‧拉維尚迪蘭
譯者：葛言
出版日：2022/08/01
裝訂／頁數：平裝／146頁
規格：24cm*17cm (高/寬)
版次：一版
商品簡介
目次
相關商品
商品簡介
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、關係網絡和記憶增強網絡，並在基於Python的TensorFlow與Keras中實現它們。讀者能夠從本書中瞭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督學習。本書適合機器學習愛好者、人工智能研究人員和數據科學家閱讀。
目次
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 什麼是孿生網絡 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構建關係網絡與匹配網絡 43
4.1 關係網絡 43
4.1.1單樣本學習中的關係網絡 43
4.1.2 少樣本學習中的關係網絡 46
4.1.3 零樣本學習中的關係網絡 48
4.1.4 損失函數 49
4.2 使用TensorFlow構建關係網絡 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複製任務 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 梯度一致作為優化目標 122
8.1 梯度一致，一種優化方法 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 生成數據點 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 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
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 什麼是孿生網絡 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構建關係網絡與匹配網絡 43
4.1 關係網絡 43
4.1.1單樣本學習中的關係網絡 43
4.1.2 少樣本學習中的關係網絡 46
4.1.3 零樣本學習中的關係網絡 48
4.1.4 損失函數 49
4.2 使用TensorFlow構建關係網絡 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複製任務 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 梯度一致作為優化目標 122
8.1 梯度一致，一種優化方法 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 生成數據點 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 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
今日66折
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。