由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
全新正版联邦学习原理与算法9787111728535机械工业
¥ ×1
章联邦学习与机器学习基础1.1联邦学习概述1.1.1联邦学习的背景与发展1.1.2联邦学习的定义与分类1.1.3联邦学习的相关法规与社区1.1.4展望与总结1.2联邦学习挑战1.2.1能挑战1.2.2效率挑战1..隐私与安全挑战1.3机器学习基础1.3.1机器学习定义与分类1.3.2机器学习流程1.3.3常见的机器学习算法1.4深度学习基础与框架1.4.1深度学习基本原理1.4.2常见的神经网络类型1.4.3常见的深度学习框架第2章联邦学习框架2.1百度PaddleFL框架2.1.1PaddleFL框架结构2.1.2PaddleFL框架安装和部署2.1.3PaddleFL使用示例2.2Flower框架2.2.1Flower框架结构2.2.2Flower框架安装与部署2..Flower使用示例.微众银行FATE框架..1FATE的技术架构..2FATE安装与部署2.4联邦学习框架对比第3章联邦学统架构3.1横向联邦学习3.1.1横向联邦学习定义3.1.2横向联邦学习算法3.1.3安全聚合算法3.2纵向联邦学习3.2.1纵向联邦学习算法概述3.2.2纵向联邦逻辑回归算法3.3分割学习3.3.1分割学习基本原理3.3.2分割学习设置与应用场景第4章联邦学习建模难点与解决方案4.1数据统计异质41.1非独立同分布影响与收敛分析4.1.2非同质数据分类与构建4.1.3联邦学习非独立同分布策略4.2个化联邦学习4.2.1个化联邦学习的动机和概念4.2.2全局模型个化策略4..个化本地模型4.3联邦学习通信与加速算法4.3.1模型压缩算法4.3.2异步与并行优化4.3.3硬件加速第5章联邦学习与隐私保护5.1差分隐私5.1.1差分隐私定义5.1.2差分隐私与机器学习5.1.3差分隐私在联邦学习中的应用5.1.4开源项目与工具5.2安全多方计算5.2.1百万富翁问题5.2.2不经意传输5..混淆电路5.2.4秘密分享5.2.5安全多方计算在联邦学习中的应用5.3同态加密5.3.1同态加密定义与分类5.3.2部分同态加密方案5.4可信执行环境第6章联邦学统安全与防御算法6.1联邦学习安全分析6.1.1CIA原则: 私密、完整与可61.2敌手模型6.2联邦学习隐私攻击与防御6.2.1成员推断攻击与防御6.2.2重构攻击与防御6.3联邦学习安全攻击与防御6.3.1联邦学习安全攻击目标与手段6.3.2联邦学习安全防御第7章联邦学习与计算机视觉7.1图像分类7.1.1传统图像分类算法7.1.2基于深度学习的图像分类算法7.1.3图像分类常用数据集7.2目标检测7.2.1目标检测模型的常用评价标准7.2.2目标检测的常用算法7..目标检测的常用数据集7.3图像分割7.3.1图像分割分类7.3.2图像分割数据集7.3.3语义分割7.3.4实例分割常用的算法7.4联邦学习图像识别非独立同分布数据实验7.4.1实验描述7.4.2实验过程7.4.3结果分析第8章联邦学习与系统8.1系统基本知识8.1.1系统数据8.1.2系统架构8.1.3系统数据集8.2协同过滤算法8.2.1协同过滤算法分类8.2.2协同过滤算法评价指标8.3矩阵分解8.3.1奇异值分解8.3.2联邦矩阵分解算法8.4神经协同过滤网络8.4.1神经协同过滤系统框架8.4.2神经协同过滤层设计8.4.3神经协同过滤训练8.4.4联邦神经协同过滤第9章联邦学习与深度学模结合9.1联邦多任务学习9.1.1多任务学习基本原理9.1.2联邦多任务学习算法9.2联邦学习与半监督学习9.2.1半监督学习的基本方法9.2.2联邦学习与半监督学习结合9.3联邦强化学习9.3.1强化学习基本原理与分类9.3.2联邦学习与强化学习结合9.4联邦图学习9.4.1图学习算法基础知识9.4.2联邦图学习算法与挑战0章联邦学习应用前景10.1联邦学习与医疗10.1.1联邦医学图像处理10.1.2联邦学习与医疗记录10.1.3联邦学习与药物开发10.2联邦学习与金融10.2.1联邦学习与银行风控10.2.2联邦学习与消费社交反欺诈10..联邦学习与智慧营销10.3联邦学习、边缘计算与物联网10.3.1联邦学习与边缘计算10.3.2联邦学习与物联网10.3.3联邦学习与自动驾驶10.4联邦学习与区块链10.4.1区块链基本原理10.4.2区块链分类10.4.3区块链与联邦学习结合
耿佳辉,博士,欧盟玛丽居里项目研究员,研究的重点包括隐私保护计算、区块链、自然语言处理等。多篇文章在国际会议发表,在中国、德国、挪威的知名企业都有丰富的工作经验。牟永利,博士,致力于联邦学习、数据隐私和区块链应用等领域的研究,并参与多个德国的医疗数据基建项目,如MMI和NFDI4Health,拥有丰富的数据科学和人工智能研究背景。有多篇医学信息邦学习、区块链技术国际发表经验。李青,博士,挪威斯塔万格大学。致力于机器学习鲁棒、可解释,机器学习中的常微分或偏微分方程的数值计算。容淳铭,挪威工程院院士、挪威斯塔万格大学计算机系终身教授、服务式计算研究创新中心主任。曾任IEEE国际云计算学术会议系列指导委员会,IEEE区块链专家委员会、(国际)云安全联盟(CSA)挪威分部副总理事长,海外评审专家。
《联邦学习原理与算法》融合了联邦学习资深技术专家多年经验,系统介绍了联邦学习的全貌,内容丰富,兼顾算理与实践,对联邦学习能挑战、安全与隐私挑战,以及系统进行了介绍。理论讲解由浅入深、注重编程实践,语言简练、内容实用。重点难点部分还配备了二维码视频。
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格