<th id="rqxsl"></th>

<nav id="rqxsl"></nav>

注冊(cè) | 登錄讀書(shū)好，好讀書(shū)，讀好書(shū)！

當(dāng)前位置：首頁(yè)出版圖書(shū)科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)人工智能終身機(jī)器學(xué)習(xí)（原書(shū)第2版）

終身機(jī)器學(xué)習(xí)（原書(shū)第2版）

定　價(jià)：￥79.00

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

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥79.00)

ISBN：	9787111632122	出版時(shí)間：	2019-08-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	186	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)介紹終身學(xué)習(xí)這種高級(jí)機(jī)器學(xué)習(xí)范式，這種范式通過(guò)積累過(guò)去的知識(shí)持續(xù)地學(xué)習(xí)，并將學(xué)到的知識(shí)用于幫助在未來(lái)進(jìn)行其他學(xué)習(xí)和解決問(wèn)題。相比之下，當(dāng)前主流的機(jī)器學(xué)習(xí)范式都是孤立學(xué)習(xí)，即給定一個(gè)訓(xùn)練數(shù)據(jù)集，之后在這個(gè)數(shù)據(jù)集上運(yùn)行機(jī)器學(xué)習(xí)算法以生成模型，然后再將該模型運(yùn)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(shí)，也不將其運(yùn)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(lèi)只通過(guò)少量的樣例就能實(shí)現(xiàn)有效學(xué)習(xí)，這是因?yàn)槿祟?lèi)的學(xué)習(xí)是知識(shí)驅(qū)動(dòng)的，即只需少量的數(shù)據(jù)或付出，就能利用過(guò)去已經(jīng)學(xué)到的知識(shí)去學(xué)習(xí)新事物。終身學(xué)習(xí)的目標(biāo)就是模仿人類(lèi)的這種學(xué)習(xí)能力，因?yàn)橐粋€(gè)沒(méi)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(shū)第1版出版以來(lái)，終身學(xué)習(xí)的研究在相對(duì)較短的時(shí)間內(nèi)取得了顯著的進(jìn)展。出版第2版是為了擴(kuò)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(gè)新的章節(jié)來(lái)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(guò)去的兩三年里一直被積極研究。部分章節(jié)的內(nèi)容也進(jìn)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(gè)統(tǒng)一的框架。目前，在機(jī)器學(xué)習(xí)中有幾個(gè)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?yàn)樗鼈円膊捎昧酥R(shí)共享和知識(shí)遷移的思想。本書(shū)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(jī)器學(xué)習(xí)的同時(shí)，對(duì)該領(lǐng)域的重要研究成果和新想法進(jìn)行全面回顧。本書(shū)適用于對(duì)機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、自然語(yǔ)言處理或模式識(shí)別感興趣的學(xué)生、研究人員和從業(yè)人員。

作者簡(jiǎn)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(jī)器學(xué)習(xí)：主題建模與分類(lèi)”。他于2016年加入谷歌公司。他的研究興趣包括機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、文本挖掘、數(shù)據(jù)挖掘和競(jìng)價(jià)拍賣(mài)算法：他提出了幾種終身機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了自動(dòng)從文本文檔中挖掘信息，并在KDD、ICML、ACL、WWW、IJCAI和AAAI等主要會(huì)議上發(fā)表了超過(guò)15篇長(zhǎng)篇研究論文。他還在IJCAI-2015、KDD-2016和EMNLP-2016上提供了三個(gè)關(guān)于終身機(jī)器學(xué)習(xí)的教程。他曾經(jīng)是許多著名的自然語(yǔ)言處理、數(shù)據(jù)挖掘、人工智能和互聯(lián)網(wǎng)研究會(huì)議的成員，并于201 5年獲得伊利諾伊州技術(shù)基金會(huì)頒發(fā)的有潛力50人獎(jiǎng)，以表彰他的學(xué)術(shù)貢獻(xiàn)。劉兵（Bing Liu），是伊利諾伊大學(xué)芝加哥分校的杰出教授，在愛(ài)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(jī)器學(xué)習(xí)和自然語(yǔ)言處理，他在會(huì)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(jiǎng)，一篇論文獲得WSDM 10年Test-of-Time 獎(jiǎng)。他也是4冊(cè)書(shū)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(bào)道，包括《紐約時(shí)報(bào)》的頭版文章。他是2018 ACM SIGKDD創(chuàng)新獎(jiǎng)的獲得者，也是很多數(shù)據(jù)挖掘會(huì)議（包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD）的程序主席。他同時(shí)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(yǔ)言處理、人工智能、網(wǎng)絡(luò)和數(shù)據(jù)挖掘會(huì)議的領(lǐng)域主席或者高級(jí)程序委員會(huì)成員，并且曾經(jīng)是2013～2017年ACM SIGKDD的主席，是ACM、AAAI和IEEE會(huì)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(guó)計(jì)算機(jī)學(xué)會(huì)高級(jí)會(huì)員、中國(guó)計(jì)算機(jī)學(xué)會(huì)數(shù)據(jù)庫(kù)專(zhuān)業(yè)委員會(huì)委員、廣東省計(jì)算機(jī)學(xué)會(huì)大數(shù)據(jù)專(zhuān)業(yè)委員會(huì)副主任、廣東省計(jì)算機(jī)學(xué)會(huì)數(shù)據(jù)庫(kù)分會(huì)理事、秘書(shū)長(zhǎng)、廣東省計(jì)算機(jī)學(xué)會(huì)計(jì)算智能專(zhuān)業(yè)委員會(huì)委員。曾在加拿大西蒙弗雷澤大學(xué)計(jì)算機(jī)科學(xué)學(xué)院和新加坡國(guó)立大學(xué)計(jì)算學(xué)院從事數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方面的研究工作，并主持多項(xiàng)國(guó)家、省級(jí)項(xiàng)目。近十年以來(lái)，在國(guó)際學(xué)術(shù)期刊和國(guó)際會(huì)議上發(fā)表論文六十多篇，出版譯著四部，主編叢書(shū)一部。

圖書(shū)目錄

譯者序
前　言
致　謝
第1章　引言1
　1.1　傳統(tǒng)機(jī)器學(xué)習(xí)范式1
　1.2　案例3
　1.3　終身學(xué)習(xí)簡(jiǎn)史7
　1.4　終身學(xué)習(xí)的定義9
　1.5　知識(shí)類(lèi)型和關(guān)鍵挑戰(zhàn)14
　1.6　評(píng)估方法和大數(shù)據(jù)的角色17
　1.7　本書(shū)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(duì)應(yīng)學(xué)習(xí)21
　　2.1.2　樸素貝葉斯遷移分類(lèi)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(qiáng)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(gè)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(dá)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(wèn)題設(shè)定41
　　3.4.2　目標(biāo)函數(shù)42
　　3.4.3　解決第一個(gè)低效問(wèn)題43
　　3.4.4　解決第二個(gè)低效問(wèn)題45
　　3.4.5　主動(dòng)的任務(wù)選擇46
　3.5　終身樸素貝葉斯分類(lèi)47
　　3.5.1　樸素貝葉斯文本分類(lèi)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(píng)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(wú)遺忘學(xué)習(xí)61
　4.4　漸進(jìn)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(lèi)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(lèi)構(gòu)建范例集68
　　4.6.4　在iCaRL中完成分類(lèi)68
　4.7　專(zhuān)家網(wǎng)關(guān)69
　　4.7.1　自動(dòng)編碼網(wǎng)關(guān)69
　　4.7.2　測(cè)量訓(xùn)練的任務(wù)相關(guān)性70
　　4.7.3　為測(cè)試選擇最相關(guān)的專(zhuān)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(duì)抗網(wǎng)絡(luò)72
　　4.8.2　生成式重放73
　4.9　評(píng)估災(zāi)難性遺忘74
　4.10　小結(jié)和評(píng)估數(shù)據(jù)集75
第5章　開(kāi)放式學(xué)習(xí)79
　5.1　問(wèn)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(cè)試CBS學(xué)習(xí)模型84
　　5.2.3　用于未知類(lèi)檢測(cè)的CBS學(xué)習(xí)84
　5.3　DOC：深度開(kāi)放式分類(lèi)87
　　5.3.1　前饋層和一對(duì)其余層87
　　5.3.2　降低開(kāi)放空間風(fēng)險(xiǎn)89
　　5.3.3　DOC用于圖像分類(lèi)90
　　5.3.4　發(fā)現(xiàn)未知類(lèi)90
　5.4　小結(jié)和評(píng)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(shí)挖掘99
　　6.2.3　融合過(guò)去的知識(shí)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(shí)104
　　6.3.3　挖掘cannot-link知識(shí)107
　　6.3.4　擴(kuò)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(píng)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(yǔ)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(píng)價(jià)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(shí)學(xué)習(xí)124
　　7.2.4　使用過(guò)去知識(shí)推薦125
　7.3　在工作中學(xué)習(xí)126
　　7.3.1　條件隨機(jī)場(chǎng)127
　　7.3.2　一般依賴(lài)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(píng)估數(shù)據(jù)集133
第8章　聊天機(jī)器人的持續(xù)知識(shí)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(yùn)行示例142
　8.5　小結(jié)和評(píng)估數(shù)據(jù)集142
第9章　終身強(qiáng)化學(xué)習(xí)144
　9.1　基于多環(huán)境的終身強(qiáng)化學(xué)習(xí)146
　9.2　層次貝葉斯終身強(qiáng)化學(xué)習(xí)147
　　9.2.1　動(dòng)機(jī)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(duì)MDP進(jìn)行采樣151
　9.3　PG-ELLA：終身策略梯度強(qiáng)化學(xué)習(xí)152
　　9.3.1　策略梯度強(qiáng)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(qiáng)化學(xué)習(xí)156
　9.4　小結(jié)和評(píng)估數(shù)據(jù)集157
第10章　結(jié)論及未來(lái)方向159
參考文獻(xiàn)164