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

  • 正版 分布式机器学习 算法 理论与实践 刘铁岩 陈薇 王太峰 高飞 人工智能 通信模块 核心技术 神经网络 决策树
  • 新商品上架
    • 作者: 刘铁岩著
    • 出版社: 机械工业出版社
    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:
    句字图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 刘铁岩著
    • 出版社:机械工业出版社
    • ISBN:9789506329537
    • 版权提供:机械工业出版社

    微软亚洲研究院机器学习研究团队所著,刘铁岩博士领衔撰写!全面阐述分布式机器学习算法、理论及实践的著作。全彩印刷!人工智能大牛周志华教授倾情推荐!联邦学习进阶必读

      商品基本信息
     
    商品名称:   分布式机器学习:算法、理论与实践
    作者:   刘铁岩 陈薇 王太峰 高飞
    市场价:   89.00
    ISBN号:   9787111609186
    版次:   1-1
    出版日期:   2018-10
    页数:   276
    字数:   350
    出版社:   机械工业出版社
       内容简介
        本书的目的是向读者全面展示分布式机器学习的现状,深入分析其中的核心技术问题,并且讨论该领域未来发展的方向。本书既可以作为研究生从事分布式机器学习方向研究的参考文献,也可以作为人工智能从业者进行算法选择和系统设计的工具书。
        
      目录
    序言一
    序言二
    前 言
    作者介绍
    *1章 绪论/ 1
    1.1 人工智能及其飞速发展/ 2
    1.2 大规模、分布式机器学习/ 4
    1.3 本书的安排/ 6
    参考文献/ 7
    *2章 机器学习基础/ 9
    2.1 机器学习的基本概念/ 10
    2.2 机器学习的基本流程/ 13
    2.3 常用的损失函数/ 16
    2.3.1 Hinge损失函数/ 16
    2.3.2 指数损失函数/ 16
    2.3.3 交叉熵损失函数/ 17
    2.4 常用的机器学习模型/ 18
    2.4.1 线性模型/ 18
    2.4.2 核方法与支持向量机/ 18
    2.4.3 决策树与Boosting/ 21
    2.4.4 神经网络/ 23
    2.5 常用的优化方法/ 32
    2.6 机器学习理论/ 33
    2.6.1 机器学习算法的泛化误差/ 34
    2.6.2 泛化误差的分解/ 34
    2.6.3 基于容度的估计误差的上界/ 35
    2.7 总结/ 36
    参考文献/ 36
    第3章 分布式机器学习框架/ 41
    3.1 大数据与大模型的挑战/ 42
    3.2 分布式机器学习的基本流程/ 44
    3.3 数据与模型划分模块/ 46
    3.4 单机优化模块/ 48
    3.5 通信模块/ 48
    3.5.1 通信的内容/ 48
    3.5.2 通信的拓扑结构/ 49
    3.5.3 通信的步调/ 51
    3.5.4 通信的频率/ 52
    3.6 数据与模型聚合模块/ 53
    3.7 分布式机器学习理论/ 54
    3.8 分布式机器学习系统/ 55
    3.9 总结/ 56
    参考文献/ 57
    第4章 单机优化之确定性算法/ 61
    4.1 基本概述/ 62
    4.1.1 机器学习的优化框架/ 62
    4.1.2 优化算法的分类和发展历史/ 65
    4.2 一阶确定性算法/ 67
    4.2.1 梯度下降法/ 67
    4.2.2 投影次梯度下降法/ 69
    4.2.3 近端梯度下降法/ 70
    4.2.4 Frank-Wolfe算法/ 71
    4.2.5 Nesterov加速法/ 72
    4.2.6 坐标下降法/ 75
    4.3 二阶确定性算法/ 75
    4.3.1 牛顿法/ 76
    4.3.2 拟牛顿法/ 77
    4.4 对偶方法/ 78
    4.5 总结/ 81
    参考文献/ 8
    第5章 单机优化之随机算法/ 85
    5.1 基本随机优化算法/ 86
    5.1.1 随机梯度下降法/ 86
    5.1.2 随机坐标下降法/ 88
    5.1.3 随机拟牛顿法/ 91
    5.1.4 随机对偶坐标上升法/ 93
    5.1.5 小结/ 95
    5.2 随机优化算法的改进/ 96
    5.2.1 方差缩减方法/ 96
    5.2.2 算法组合方法/ 100
    5.3 非凸随机优化算法/ 101
    5.3.1 Ada系列算法/ 102
    5.3.2 非凸理论分析/ 104
    5.3.3 逃离鞍点问题/ 106
    5.3.4 等级优化算法/ 107
    5.4 总结/ 109
    参考文献/ 109
    第6章 数据与模型并行/ 113
    6.1 基本概述/ 114
    6.2 计算并行模式/ 117
    6.3 数据并行模式/ 119
    6.3.1 数据样本划分/ 120
    6.3.2 数据维度划分/ 123
    6.4 模型并行模式/ 123
    6.4.1 线性模型/ 123
    6.4.2 神经网络/ 127
    6.5 总结/ 133
    参考文献/ 133
    第7章 通信机制/ 135
    7.1 基本概述/ 136
    7.2 通信的内容/ 137
    7.2.1 参数或参数的更新/ 137
    7.2.2 计算的中间结果/ 137
    7.2.3 讨论/ 138
    7.3 通信的拓扑结构/ 139
    7.3.1 基于迭代式MapReduce/AllReduce的通信拓扑/ 140
    7.3.2 基于参数服务器的通信拓扑/ 142
    7.3.3 基于数据流的通信拓扑/ 143
    7.3.4 讨论/ 145
    7.4 通信的步调/ 145
    7.4.1 同步通信/ 146
    7.4.2 异步通信/ 147
    7.4.3 同步和异步的平衡/ 148
    7.4.4 讨论/ 150
    7.5 通信的频率/ 150
    7.5.1 时域滤波/ 150
    7.5.2 空域滤波/ 153
    7.5.3 讨论/ 155
    7.6 总结/ 156
    参考文献/ 156
    第8章 数据与模型聚合/ 159
    8.1 基本概述/ 160
    8.2 基于模型加和的聚合方法/ 160
    8.2.1 基于全部模型加和的聚合/ 160
    8.2.2 基于部分模型加和的聚合/ 162
    8.3 基于模型集成的聚合方法/ 167
    8.3.1 基于输出加和的聚合/ 168
    8.3.2 基于投票的聚合/ 171
    8.4 总结/ 174
    参考文献/ 174
    第9章 分布式机器学习算法/ 177
    9.1 基本概述/ 178
    9.2 同步算法/ 179
    9.2.1 同步SGD方法/ 179
    9.2.2 模型平均方法及其改进/ 182
    9.2.3 ADMM算法/ 183
    9.2.4 弹性平均SGD算法/ 185
    9.2.5 讨论/ 186
    9.3 异步算法/ 187
    9.3.1 异步SGD/ 187
    9.3.2 Hogwild!算法/ 189
    9.3.3 Cyclades算法/ 190
    9.3.4 带延迟处理的异步算法/ 192
    9.3.5 异步方法的进一步加速/ 199
    9.3.6 讨论/ 199
    9.4 同步和异步的对比与融合/ 199
    9.4.1 同步和异步算法的实验对比/ 199
    9.4.2 同步和异步的融合/ 201
    9.5 模型并行算法/ 203
    9.5.1 DistBelief/ 203
    9.5.2 AlexNet/ 204
    9.6 总结/ 205
    参考文献/ 205
    *10章 分布式机器学习理论/ 209
    10.1 基本概述/ 210
    10.2 收敛性分析/ 210
    10.2.1 优化目标和算法/ 211
    10.2.2 数据和模型并行/ 213
    10.2.3 同步和异步/ 215
    10.3 加速比分析/ 217
    10.3.1 从收敛速率到加速比/ 218
    10.3.2 通信量的下界/ 219
    10.4 泛化分析/ 221
    10.4.1 优化的局限性/ 222
    10.4.2 具有更好泛化能力的非凸优化算法/ 224
    10.5 总结/ 226
    参考文献/ 226
    *11章 分布式机器学习系统/ 229
    11.1 基本概述/ 230
    11.2 基于IMR的分布式机器学习系统/ 231
    11.2.1 IMR和Spark/ 231
    11.2.2 Spark MLlib/ 234
    11.3 基于参数服务器的分布式机器学习系统/ 236
    11.3.1 参数服务器/ 236
    11.3.2 Multiverso参数服务器/ 237
    11.4 基于数据流的分布式机器学习系统/ 241
    11.4.1 数据流/ 241
    11.4.2 TensorFlow数据流系统/ 243
    11.5 实战比较/ 248
    11.6 总结/ 252
    参考文献/ 252
    *12章 结语/ 255
    12.1 全书总结/ 256
    12.2 未来展望/ 257
    索引/ 260
    1
    • 商品详情
    • 内容简介

    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