Python 元學習 : 通用人工智能的實現 (Hands-On Meta Learning with Python: Meta learning using one-shot learning, MAML, Reptile, and Meta-SGD with TensorFlow)

[印] 蘇達桑·拉維尚迪蘭 葛言譯

  • Python 元學習 : 通用人工智能的實現 (Hands-On Meta Learning with Python: Meta learning using one-shot learning, MAML, Reptile, and Meta-SGD with TensorFlow)-preview-1
  • Python 元學習 : 通用人工智能的實現 (Hands-On Meta Learning with Python: Meta learning using one-shot learning, MAML, Reptile, and Meta-SGD with TensorFlow)-preview-2
Python 元學習 : 通用人工智能的實現 (Hands-On Meta Learning with Python: Meta learning using one-shot learning, MAML, Reptile, and Meta-SGD with TensorFlow)-preview-1

買這商品的人也買了...

相關主題

商品描述

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。  

作者簡介

Sudharsan Ravichandiran

目前在眾包網站Freelancer擔任數據科學家。
他是積極的開源項目貢獻者和暢銷書作家,在YouTube網站上發布的授課視頻廣受好評。
重點關注深度學習和強化學習的實際應用,尤其是自然語言處理和計算機視覺領域的相關研究。

 
【譯者簡介】

葛言

本科畢業於華中科技大學經濟學院國際商務專業(英語雙學位),
保送上海財經大學交叉科學研究院管理科學與工程直博,目前從事運籌學相關研究與Python開發工作。
譯有《精通Python設計模式(第2版)》等書。 

目錄大綱

目錄:  
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*大化/熵約簡133  
9.1.2不平等*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