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。
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
¥ ×1
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 |
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