返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • 醉染图书联邦学习 算法详解与系统实现9787111703495
  • 正版全新
    • 作者: 薄列峰 等著 | 薄列峰 等编 | 薄列峰 等译 | 薄列峰 等绘
    • 出版社: 机械工业出版社
    • 出版时间:2022-04-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    醉染图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 薄列峰 等著| 薄列峰 等编| 薄列峰 等译| 薄列峰 等绘
    • 出版社:机械工业出版社
    • 出版时间:2022-04-01
    • 版次:1
    • 印次:1
    • 页数:352
    • 开本:16开
    • ISBN:9787111703495
    • 版权提供:机械工业出版社
    • 作者:薄列峰 等
    • 著:薄列峰 等
    • 装帧:平装
    • 印次:1
    • 定价:99.00
    • ISBN:9787111703495
    • 出版社:机械工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2022-04-01
    • 页数:352
    • 外部编号:1202629681
    • 版次:1
    • 成品尺寸:暂无

    前言

    部 联邦学习基础知识

    章 联邦学习概述

    1.1 什么是联邦学习

    1.2 联邦学习的应用和挑战

    1.3 分布式机器学习与联邦学习

    1.4 总结

    第2章 联邦学习应用场景

    2.1 联邦学习与金融

    2.2 联邦学习与生物医学

    . 联邦学习与计算机视觉

    2.4 联邦学习与自然语言处理

    2.5 联邦学习与边缘计算和云计算

    2.6 联邦学习与计算机硬件

    2.7 总结

    第3章 常用隐私保护技术

    3.1 面向隐私保护的机器学习

    3.2 常用的隐私保护技术

    3.3 总结

    第二部分 联邦学习算法详述

    第4章 纵向联邦树模型算法

    4.1 树模型简介

    4.2 纵向联邦随机森林算法

    4.3 纵向联邦梯度提升算法

    4.4 总结

    第5章 纵向联邦线回归算法

    5.1 纵向联邦线回归

    5.2 联邦多视角线回归

    5.3 总结

    第6章 纵向联邦核学习算法

    6.1 引言

    6.2 双随机核方法

    6.3 所提算法

    6.4 理论分析

    6.5 实验验

    6.6 总结

    第7章 异步纵向联邦学习算法

    7.1 引言

    7.2 相关工作

    7.3 问题表示

    7.4 所提算法

    7.5 理论分析

    7.6 实验验

    7.7 总结

    第8章 基于反向更新的双层异步纵向联邦学习算法

    8.1 引言

    8.2 问题表示

    8.3 所提算法

    8.4 理论分析

    8.5 实验验

    8.6 总结

    第9章 纵向联邦深度学习算法

    9.1 引言

    9.2 所提算法

    9.3 理论分析

    9.4 实验验

    9.5 总结

    0章 快速安全的同态加密数据挖掘框架

    10.1 引言

    10.2 相关工作

    10.3 同态加密数据挖掘框架

    10.4 实验验

    10.5 总结

    1章 横向联邦学习算法

    11.1 横向联邦学习简介

    11.2 常见的分布式优化算法

    11.3 同步横向联邦学习算法

    11.4 异步横向联邦学习算法

    11.5 快速通信的横向联邦学习算法

    11.6 总结

    2章 混合联邦学习算法

    12.1 混合联邦学习算法的场景需求

    12.2 算法详述

    1. 总结

    3章 联邦强化学习

    13.1 强化学习概述

    13.2 强化学习算法简介

    13.3 分布式和联邦强化学习

    13.4 总结

    第三部分 联邦学统

    4章 FedLearn联邦学统

    14.1 已开源联邦学统及其痛点

    14.2 FedLearn联邦学统的优势

    14.3 FedLearn系统架构设计

    14.4 FedLearn跨语言算法支持

    14.5 高能RPC开源框架gRPC

    14.6 FedLearn系统服务和算法解耦

    14.7 FedLearn部署与使用

    14.8 总结

    5章 gRPC在FedLearn中的联邦学习应用实例

    15.1 应用实例一:纵向联邦随机森林学习算法

    15.2 应用实例二:横向联邦学习场景

    15.3 总结

    6章 落地场景中的能优化实践

    16.1 FedLearn业务场景简介

    16.2 从0到1实践联邦学习算法优化

    16.3 能优化

    16.4 工程服务能优化

    16.5 实时推理优化

    16.6 总结

    7章 基于区块链的联邦学习

    17.1 区块链简介

    17.2 联邦学习与区块链的集成创新

    17.3 基于区块链的联邦学习激励算法

    17.4 基于区块链的联邦学统实现

    17.5 总结

    参考文献

    薄列峰,科技集团副总裁、硅谷研发部负责人。曾担任包括NeurIPS、CVPR、ICCV、ECCV、AAA、SM等在内的多个很好人工智能会议程序委员会委员。在国际很好会议和期刊上合计发表80余篇,被引用10186次,H指数44。其博士荣获国内百篇博士奖,RGB-D物体识别荣获机器人领域学术会议ICRA很好计算机视觉奖。

    作者都是扎根于联邦学习前沿的研究者和从业者。
    本书提出了众多不同于书籍的全新联邦学习算法,以飨读者。
    作者参考了近年全新的文章和综述,紧跟学术和业界的联邦学习动态。

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购