类似推荐
编辑推荐
机器学习教程书籍，用Python语言全面解析各种单样本学习算法及其实现。
内容简介
本书介绍元学习及其原理，讲解各种单样本学习算法，例如孪生网络、原型网络、关系网络和记忆增强网络，并在基于Python的TensorFlow与Keras中实现它们。此外，全书还探索如何使用元随机梯度下降法来快速学习，以及如何使用元学习来进行无监督学习。
作者简介
作者苏达桑·拉维尚迪兰，目前在众包网站Freelancer担任数据科学家。他是积极的开源项目贡献者和畅销书作家，在YouTube网站上发布的授课视频广受好评。重点关注深度学习和强化学习的实际应用，尤其是自然语言处理和计算机视觉领域的相关研究。
章节目录
版权信息
数字版权声明
内容提要
前言
本书读者
本书内容
如何充分利用本书
下载示例代码
排版约定
保持联系
评论
电子书
第1章 元学习简介
1.1 元学习
1.2 元学习的类型
1.2.1 学习度量空间
1.2.2 学习初始化
1.2.3 学习优化器
1.3 通过梯度下降来学习如何通过梯度下降来学习
1.4 少样本学习的优化模型
1.5 小结
1.6 思考题
1.7 延伸阅读
第2章 使用孪生网络进行人脸识别与音频识别
2.1 什么是孪生网络
2.1.1 孪生网络的架构
2.1.2 孪生网络的应用
2.2 使用孪生网络进行人脸识别
2.3 使用孪生网络进行音频识别
2.4 小结
2.5 思考题
2.6 延伸阅读
第3章 原型网络及其变体
3.1 原型网络
3.1.1 算法
3.1.2 使用原型网络执行分类
3.2 高斯原型网络
3.3 半原型网络
3.4 小结
3.5 思考题
3.6 延伸阅读
第4章 使用TensorFlow构建关系网络与匹配网络
4.1 关系网络
4.1.1 单样本学习中的关系网络
4.1.2 少样本学习中的关系网络
4.1.3 零样本学习中的关系网络
4.1.4 损失函数
4.2 使用TensorFlow构建关系网络
4.3 匹配网络
4.4 匹配网络的架构
4.5 TensorFlow中的匹配网络
4.6 小结
4.7 思考题
4.8 延伸阅读
第5章 记忆增强神经网络
5.1 NTM
5.1.1 NTM中的读与写
5.1.2 寻址机制
5.2 使用NTM复制任务
5.3 MANN
5.4 小结
5.5 思考题
5.6 延伸阅读
第6章 MAML及其变种
6.1 MAML
6.1.1 MAML算法
6.1.2 监督学习中的MAML
6.1.3 强化学习中的MAML
6.2 ADML
6.2.1 FGSM
6.2.2 ADML
6.2.3 从头构建ADML
6.3 CAML
6.4 小结
6.5 思考题
6.6 延伸阅读
第7章 Meta-SGD和Reptile
7.1 Meta-SGD
7.1.1 监督学习中的Meta-SGD
7.1.2 强化学习中的Meta-SGD
7.2 Reptile
7.2.1 Reptile算法
7.2.2 使用Reptile进行正弦曲线回归
7.3 小结
7.4 思考题
7.5 延伸阅读
第8章 梯度一致作为优化目标
8.1 梯度一致，一种优化方法
8.1.1 权重计算
8.1.2 算法
8.2 使用MAML构建梯度一致
8.2.1 生成数据点
8.2.2 单层神经网络
8.2.3 MAML中的梯度一致
8.3 小结
8.4 思考题
8.5 延伸阅读
第9章 新进展与未来方向
9.1 TAML
9.1.1 熵最大化/熵约简
9.1.2 不平等最小化
9.2 元模仿学习
9.3 CACTUs
9.4 概念空间元学习
9.4.1 关键部分
9.4.2 损失函数
9.4.3 算法
9.5 小结
9.6 思考题
9.7 延伸阅读
思考题答案
Python元学习：通用人工智能的实现是2020年由人民邮电出版社·图灵出品出版,作者[印] 苏达桑·拉维尚迪兰。
得书感谢您对《Python元学习：通用人工智能的实现》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
