| 作者 |
| 王健宗 李泽远 何安珣 M. 戈帕尔 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782104251114 |
| 简要 |
| 简介 |
| 这是一本从基础、原理、实战、拓展4个维度系统讲解联邦学习的著作。 作者是人工智能领域的资深专家，现任某大型金融集团科技公司联邦学习团队负责人，这本书不仅得到了中外院士的联合推荐，而且得到了来自清华大学、华中科技大学、百度、蚂蚁集团、同盾科技等学术界和企业界的专家的一致推荐。 全书共9章，分为4个部分。 第1部分 基础（第1~2章） 主要介绍了联邦学习的概念、由来、发展历史、架构思想、应用场景、优势、规范与标准、社区与生态等基础内容，帮助读者建立对联邦学习的感性认知。 第二部分 原理（第3~5章） 详细讲解了联邦学习的工作原理、算法、加密机制、激励机制等核心技术，为读者进行联邦学习实践打好理论基础。 第三部分 实战（第6~7章） 主要讲解了PySyft、TFF、CrypTen等主流联邦学习开源框架的部署实践，并给出了联邦学习在智慧金融、智慧医疗、智慧城市、物联网等领域的具体解决方案。 第四部分 拓展（第8~9章） 概述了联邦学习的形态、联邦学习系统架构、当前面临的挑战等，并探讨了联邦学习的发展前景和趋势。 . ---------------------------8070111 - 机器学习及其应用--------------------------- 本书是关于机器学习的综合性教程，涵盖全部基础知识和理论，涉及不同应用领域的技术和算法。书中提出，机器学习背后的大多数想法都是简单且直接的。为了鼓励读者在实践中理解机器学习算法，本书提供一个配套平台，利用自我学习的机器学习项目，再结合一些基准测试应用的数据集，通过实验比较书中介绍的各类算法，从而实现深入理解。本书对于入门阶段的研究生和学者非常有益，会为进一步的深入研究打好基础。此外，本书也适合对机器学习感兴趣的工程师和其他技术人员阅读。 |
| 目录 |
| [套装书具体书目] 8070111 - 机器学习及其应用 - 9787111654148 - 机械工业出版社 - 定价 139 8080128 - 深入浅出联邦学习：原理与实践 - 9787111679592 - 机械工业出版社 - 定价 79 ---------------------------8080128 - 深入浅出联邦学习：原理与实践--------------------------- 前言 第一部分 基础 第1章 联邦学习的前世今生2 1.1 联邦学习的由来2 1.2 联邦学习的发展历程3 1.3 联邦学习的规范与标准8 1.4 联邦学习的社区与生态9 1.5 本章小结10 第2章 全面认识联邦学习11 2.1 什么是联邦学习11 2.2 联邦学习的架构思想12 2.3 联邦学习的应用场景14 2.4 联邦学习的优势与前景15 2.5 本章小结16 第二部分 原理 第3章 联邦学习的工作原理18 3.1 联邦学习的计算环境18 3.1.1 可信执行环境18 3.1.2 无可信计算环境22 3.2 联邦学习的算法23 3.2.1 中心联邦优化算法24 3.2.2 联邦机器学习算法25 3.2.3 联邦深度学习算法28 3.3 联邦学习的算子29 3.3.1 联邦学习数据预处理算子30 3.3.2 联邦学习模型训练算子34 3.4 本章小结49 第4章 联邦学习的加密机制50 4.1 联邦学习的安全问题50 4.1.1 模型完整性问题50 4.1.2 模型可用性问题51 4.1.3 模型机密性问题52 4.1.4 问题总结53 4.2 联邦学习的加密方式53 4.2.1 同态加密53 4.2.2 差分隐私55 4.2.3 安全多方计算57 4.2.4 国密SM2算法58 4.2.5 国密SM4算法60 4.2.6 Deffie-Hellman算法61 4.2.7 混合加密61 4.3 本章小结63 第5章 联邦学习的激励机制64 5.1 数据贡献评估65 5.2 数据贡献与激励支付的关系66 5.3 参与方贡献效益评估67 5.4 参与方贡献效益与激励支付的关系68 5.5 计算和通信消耗评估68 5.6 计算消耗、通信消耗和激励支付的关系69 5.7 本章小结70 第三部分 实战 第6章 联邦学习开发实践72 6.1 联邦学习开源框架部署：PySyft72 6.1.1 PySyft基本介绍72 6.1.2 开发环境准备与搭建72 6.1.3 PySyft安装指南75 6.1.4 开发前的准备76 6.1.5 PySyft测试样例76 6.1.6 实操：分布式联邦学习部署87 6.2 联邦学习开源框架部署：TFF93 6.2.1 TFF基本介绍93 6.2.2 开发环境准备与搭建94 6.2.3 TFF安装指南94 6.2.4 开发前的准备95 6.2.5 TFF测试样例95 6.3 联邦学习开源框架部署：CrypTen100 6.3.1 CrypTen基本介绍100 6.3.2 开发环境准备与搭建100 6.3.3 CrypTen安装指南101 6.3.4 开发前的准备101 6.3.5 CrypTen测试样例102 6.4 本章小结111 第7章 联邦学习的行业解决方案112 7.1 联邦学习+智慧金融112 7.1.1 联邦学习+银行112 7.1.2 联邦学习+保险121 7.1.3 联邦学习+投资125 7.2 联邦学习+智慧医疗128 7.2.1 联邦学习+医疗影像诊断128 7.2.2 联邦学习+疾病风险预测130 7.2.3 联邦学习+药物挖掘133 7.2.4 联邦学习+医护资源配置135 7.3 联邦学习+智慧城市137 7.3.1 联邦学习+零售137 7.3.2 联邦学习+交通140 7.3.3 联邦学习+物流141 7.3.4 联邦学习+政府143 7.3.5 联邦学习+安防146 7.4 联邦学习+物联网148 7.4.1 联邦学习+车联网148 7.4.2 联邦学习+智能家居150 7.4.3 联邦学习+可穿戴设备153 7.4.4 联邦学习+机器人155 7.5 本章小结160 第四部分 拓展 第8章 联邦学习的延伸162 8.1 联邦学习的布局162 8.1.1 Google的联邦学习162 8.1.2 Facebook的联邦学习166 8.1.3 联邦智能167 8.1.4 共享智能169 8.1.5 知识联邦172 8.1.6 异构联邦177 8.1.7 联邦学习方案对比178 8.2 联邦学习系统框架179 8.2.1 工业级联邦学习系统179 8.2.2 企业级联邦学习系统181 8.2.3 实验开发级联邦学习系统181 8.3 本章小结183 第9章 联邦学习的挑战、趋势和展望184 9.1 联邦学习应对的挑战184 9.2 联邦学习的趋势和展望187 9.3 本章小结189 ---------------------------8070111 - 机器学习及其应用--------------------------- 译者序 前言 致谢 作者简介 第1章引言 11走向智能机器 12良好的机器学习问题 13各种领域的应用实例 14数据表示 141时间序列预测 142练习数据集和现实问题数据集 15机器学习生产应用所需的领域知识 16多样化的数据：结构的/非结构的 17学习形式 171监督/直接学习 172无监督/间接学习 173强化学习 174基于自然过程的学习：进化、群智和免疫系统 18机器学习和数据挖掘 19机器学习技术中的基本线性代数知识 110机器学习的相关资源 第2章监督学习：基本原理和基础知识 21从观察中学习 22偏差和方差 23为什么学习是有效的：计算学习理论 24奥卡姆剃刀原理和防止过拟合 25归纳学习中的启发式搜索 251搜索假设空间 252集成学习 253学习系统的评估 26泛化误差估计 261留出法和随机子采样 262交叉验证 263自助法 27用于评估回归（数值预测）准确率的度量指标 271均方误差 272平均绝对误差 28用于评估分类（模式识别）准确率的度量指标 281误分类的误差 282混淆矩阵 283基于ROC曲线的分类器比较 29机器学习中的设计周期和问题概述 第3章统计学习 31机器学习和推断统计分析 32学习技术中的描述统计学 321表示数据的不确定性：概率分布 322概率分布的描述性度量 323数据样本的描述性度量 324正态分布 325数据相似性 33贝叶斯推理：推理的一种概率方法 331贝叶斯定理 332朴素贝叶斯分类器 333贝叶斯信念网络 34k近邻分类器 35判别函数和回归函数 351分类和判别函数 352数值预测和回归函数 353实用假设函数 36基于最小二乘误差准则的线性回归 361最小化误差平方和以及伪逆 362梯度下降优化方案 363最小均方算法 37用于分类任务的逻辑回归 38费希尔的线性判别和分类的阈值 381费希尔的线性判别 382阈值 39最小描述长度原则 391贝叶斯视角 392熵和信息 第4章学习支持向量机 41引言 42二元分类的线性判别函数 43感知器算法 44用于线性可分离数据的线性最大边距的分类器 45用于重叠类的线性软边距分类器 46核函数约简的特征空间 47非线性分类器 48支持向量机的回归器 481线性回归器 482非线性回归器 49将多元分类问题分解为二元分类任务 491一对所有 492一对一 410基本SVM技术的变体 第5章基于神经网络的学习 51走向认知机器 52神经元模型 521生物神经元 522人工神经元 523数学模型 53网络架构 531前馈网络 532循环网络 54感知器 541线性分类任务中感知器算法的局限性 542使用回归技术的线性分类器 543标准梯度下降优化方案：最速下降 55线性神经元和WidrowHoff学习规则 56误差修正的delta规则 57多层感知器网络和误差反向传播算法 571广义的delta规则 572收敛和局部最小值 573为梯度下降增加动量项 574误差反向传播算法的启发式方面 58MLP网络的多元判别 59径向基函数网络 510遗传神经系统 第6章模糊推理系统 61引言 62认知不确定性和模糊规则库 63知识的模糊量化 631模糊逻辑 632模糊集 633模糊集操作 634模糊关系 64模糊规则库和近似推理 641通过模糊关系量化规则 642输入的模糊化 643推理机制 644推断模糊集的去模糊化 65模糊推理系统的MAMDANI模型 651移动障碍物中的移动机器人导航 652抵押贷款评估 66TS模糊模型 67神经模糊推理系统 671ANFIS架构 672ANFIS如何学习 68遗传模糊系统 第7章数据聚类和数据转换 71无监督学习 72数据工程 721探索性数据分析：了解数据中的内容 722聚类分析：查找数据中的相似性 723数据转换：增强数据的信息内容 73基本聚类方法概述 731分割聚类 732层次聚类 733谱聚类 734使用自组织映射进行聚类 74K均值聚类 75模糊K均值聚类 76期望最大化算法和高斯混合聚类 761EM算法 762高斯混合模型 77一些有用的数据转换 771数据清洗 772衍生属性 773离散化数值属性 774属性约简技术 78基于熵的属性离散化方法 79用于属性约简的主成分分析 710基于粗糙集的属性约简方法 7101粗糙集基础 7102属性相关性分析 7103属性约简 第8章决策树学习 8.1引言 8.2决策树分类的例子 8.3评估决策树分裂的不纯度度量 8.3.1信息增益/熵减少 8.3.2增益比 8.3.3基尼系数 8.4 ID3、C45以及CART决策树 8.5树的剪枝 8.6决策树方法的优势和劣势 8.7模糊决策树 第9章商业智能与数据挖掘：技术和应用 9.1关于分析的简介 9.1.1机器学习、数据挖掘和预测分析 9.1.2基本分析技术 9.2CRISPDM(跨行业数据挖掘标准流程)模型 9.3数据仓库和在线分析处理 9.3.1基本概念 9.3.2数据库 9.3.3数据仓库：通用架构和OLAP操作 9.3.4数据仓库环境中的数据挖掘 9.4挖掘频繁模式和关联规则 9.4.1基本概念 9.4.2频繁模式和关联规则的强度的度量 9.4.3频繁项集挖掘方法 9.4.4从频繁项集生成关联规则 9.5智能信息检索系统 9.5.1文本检索 9.5.2图像检索 9.5.3音频检索 9.6应用和趋势 9.6.1数据挖掘应用程序 9.6.2数据挖掘趋势 9.7大数据技术 9.7.1新兴的分析方法 9.7.2更高级的可扩展的新兴技术 附录A用于搜索的遗传算法 附录B强化学习 附录C用于机器学习实验的真实生活应用的数据集 课后习题 参考文献 |