计算机
类型
可以朗读
语音朗读
200千字
字数
2023-05-01
发行日期
展开全部
主编推荐语
迁移学习领域专家多年研究总结，重点从算法及应用的角度进行讲解。
内容简介
本书首先从迁移学习采用的技术出发，系统地介绍每一类迁移学习算法，包括基于非负矩阵分解、概率模型、传统深度学习、对抗深度学习、模型融合以及图神经网络等的迁移学习算法。针对每一类算法，从问题定义、算法原理、算法流程等方面重点进行介绍。然后针对迁移学习的应用场景，介绍典型的应用案例。最后，介绍迁移学习在百度飞桨平台上的实践。
本书旨在让迁移学习或者相关领域研究人员系统地掌握迁移学习的各类算法，熟悉各类应用场景，为迁移学习落地实践提供指导和帮助。
目录
- 版权信息
- 序
- 前言
- 作者简介
- 第1章 绪论
- 1.1 迁移学习缘起
- 1.2 学习的迁移理论
- 1.3 迁移学习定义
- 1.4 迁移学习与已有学习范式的关系
- 1.5 迁移学习未来的研究方向
- 第2章 基于非负矩阵分解的迁移学习算法
- 2.1 问题定义
- 2.2 基于共享词簇的知识迁移
- 2.3 基于相似概念（共享词簇-文档簇关联）的知识迁移
- 2.4 同时考虑相同和相似概念的知识迁移
- 2.5 综合考虑相同、相似、差异概念的知识迁移
- 2.6 软关联的知识迁移
- 2.7 本章小结
- 第3章 基于概率模型的迁移学习算法
- 3.1 问题定义
- 3.2 基于EM算法的朴素贝叶斯迁移算法
- 3.3 基于概率潜在语义分析的主题共享领域迁移算法
- 3.4 基于协同对偶概率潜在语义分析的多域领域迁移
- 3.5 更普适的基于潜在语义分析的多域领域迁移
- 3.6 基于组对齐的跨领域标签主题模型
- 3.7 基于粗粒度对齐主题模型的跨领域文本分类
- 3.8 本章小结
- 第4章 基于传统深度学习的迁移学习方法
- 4.1 问题定义
- 4.2 基于深度自编码器的迁移学习方法
- 4.3 深度领域自适应网络
- 4.4 深度子领域自适应网络
- 4.5 多表示自适应网络
- 4.6 同时对齐分布和分类器的多源自适应方法
- 4.7 基于注意力特征图的深度迁移学习方法
- 4.8 本章小结
- 第5章 基于对抗深度学习的迁移学习方法
- 5.1 问题定义
- 5.2 领域对抗神经网络
- 5.3 同时迁移领域和任务的迁移学习方法
- 5.4 基于生成对抗网络的像素级领域自适应方法
- 5.5 最大化分类器一致性的无监督领域自适应方法
- 5.6 循环一致对抗领域自适应方法
- 5.7 本章小结
- 第6章 基于模型融合的迁移学习算法
- 6.1 问题定义
- 6.2 基于Boosting的模型融合
- 6.3 有监督与无监督的融合
- 6.4 基于优化目标正则化的方法
- 6.5 基于锚点的集成学习
- 6.6 本章小结
- 第7章 基于图神经网络的迁移学习算法
- 7.1 问题定义
- 7.2 同质图神经网络的迁移学习算法
- 7.2.1 领域自适应网络嵌入
- 7.2.2 无监督领域自适应图卷积网络
- 7.2.3 用于跨网络节点分类的对抗深度网络嵌入算法
- 7.3 异质图神经网络的迁移学习算法
- 7.3.1 异质信息网络中的领域自适应分类
- 7.3.2 基于语义的异质图自适应层次化对齐网络
- 7.4 本章小结
- 第8章 多任务学习
- 8.1 问题定义
- 8.2 传统多任务学习
- 8.2.1 基于共享特征的多任务学习
- 8.2.2 基于共享样本的多任务学习
- 8.2.3 基于共享参数的多任务学习
- 8.3 基于深度神经网络的多任务学习
- 8.3.1 基于硬共享的多任务学习
- 8.3.2 基于软共享的多任务学习
- 8.4 本章小结
- 第9章 多视图学习算法
- 9.1 问题定义
- 9.2 基于概率潜在语义分析的多视图学习
- 9.3 基于最大间隔原则的多视图学习
- 9.3.1 在线贝叶斯最大间隔子空间多视图学习
- 9.3.2 具有自适应内核的非线性最大间隔多视图学习
- 9.4 基于子空间聚类方法的多视图学习
- 9.5 基于完整空间方法的多视图学习
- 9.6 多任务多视图学习
- 9.6.1 基于凸共享结构学习算法的多任务多视图方法
- 9.6.2 基于判别分析方法的多任务多视图学习方法
- 9.7 推荐系统和人机对话领域的多视图学习方法
- 9.7.1 推荐系统中跨域用户建模的多视图深度学习方法
- 9.7.2 人机对话的多视图响应选择
- 9.8 本章小结
- 第10章 迁移学习应用
- 10.1 自然语言处理中的应用
- 10.1.1 文本情感分析
- 10.1.2 序列标注任务
- 10.1.3 文本生成
- 10.1.4 自动问答
- 10.2 计算机视觉中的应用
- 10.2.1 图像分类
- 10.2.2 语义分割
- 10.2.3 目标检测
- 10.2.4 行人重识别
- 10.2.5 风格迁移
- 10.3 推荐系统中的应用
- 10.3.1 多领域推荐系统
- 10.3.2 跨领域推荐系统
- 10.3.3 多任务推荐系统
- 10.4 金融风控中的应用
- 10.5 城市计算中的应用
- 10.5.1 基于迁移学习的城市计算
- 10.5.2 城市计算迁移学习的一般过程
- 10.5.3 面向城市内部迁移学习的城市计算
- 10.5.4 面向跨城市迁移学习的城市计算
- 10.6 本章小结
- 第11章 百度飞桨迁移学习应用实践
- 11.1 深度学习框架介绍
- 11.1.1 深度学习框架发展历程
- 11.1.2 飞桨介绍
- 11.2 迁移学习在视频分类中的实践案例
- 11.2.1 方案设计
- 11.2.2 预训练模型效果
- 11.2.3 数据处理
- 11.2.4 模型训练
- 11.2.5 模型评估
- 11.2.6 模型预测
- 11.3 迁移学习在目标检测中的实践案例
- 11.3.1 方案设计
- 11.3.2 预训练模型的蒸馏对迁移任务的影响
- 11.3.3 数据处理
- 11.3.4 模型训练
- 11.3.5 模型评估
- 11.3.6 模型预测
- 11.4 本章小结
- 参考文献
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
机械工业出版社
机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。
