| 作者 |
| 王健宗 李泽远 何安珣 大卫·福赛斯 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782104251113 |
| 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。 . ---------------------------8077116 - 机器学习：应用视角--------------------------- 本教材是一个机器学习工具箱，适用于计算机科学专业本科四年级或研究生一年级的学生。本书为那些想要使用机器学习过程来完成任务的人提供了许多主题，强调使用现有的工具和包，而不是自己重新编写代码。本书适用于从头至尾的讲授或阅读，不同的讲师或读者有不同的需求。 |
| 目录 |
| [套装书具体书目] 8077116 - 机器学习：应用视角 - 9787111668299 - 机械工业出版社 - 定价 129 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 ---------------------------8077116 - 机器学习：应用视角--------------------------- 译者序 前言 致谢 关于作者 第一部分 分类 第1章 学会分类2 1.1 分类的主要思想2 1.1.1 误差率及其他性能指标2 1.1.2 更详细的评估3 1.1.3 过拟合与交叉验证4 1.2 最近邻分类5 1.3 朴素贝叶斯7 1.3.1 利用交叉验证进行模型选择9 1.3.2 数据缺失11 编程练习11 第2章 支持向量机和随机森林14 2.1 支持向量机14 2.1.1 铰链损失15 2.1.2 正则化16 2.1.3 通过随机梯度下降来寻找分类器17 2.1.4 λ的搜索19 2.1.5 总结：用随机梯度下降训练20 2.1.6 例子：利用支持向量机分析成人收入21 2.1.7 利用支持向量机进行多类分类23 2.2 利用随机森林进行分类23 2.2.1 构造决策树25 2.2.2 用信息增益来选择划分27 2.2.3 森林29 2.2.4 构造并评估决策森林29 2.2.5 利用决策森林进行数据分类30 编程练习31 MNIST练习33 第3章 学习理论初步35 3.1 用留出损失预测测试损失35 3.1.1 样本均值和期望36 3.1.2 利用切比雪夫不等式37 3.1.3 一个泛化界37 3.2 有限分类器族的测试误差与训练误差38 3.2.1 霍夫丁不等式39 3.2.2 在有限预测器族上训练39 3.2.3 所需样例数量40 3.3 无限预测器集合41 3.3.1 预测器和二值函数41 3.3.2 对称化43 3.3.3 限制泛化误差44 第二部分 高维数据 第4章 高维数据48 4.1 概述及简单绘图48 4.1.1 均值48 4.1.2 杆图和散点图矩阵49 4.1.3 协方差51 4.1.4 协方差矩阵52 4.2 维数灾难53 4.2.1 灾难：数据不是你想象的那样53 4.2.2 维数的小困扰55 4.3 用均值和协方差理解高维数据55 4.3.1 仿射变换下的均值和协方差56 4.3.2 特征向量及矩阵对角化56 4.3.3 通过旋转数据堆来对角化协方差矩阵57 4.4 多元正态分布58 4.4.1 仿射变换与高斯模型59 4.4.2 绘制二维高斯模型：协方差椭圆59 4.4.3 描述统计与期望60 4.4.4 维数灾难的更多内容61 习题61 第5章 主成分分析64 5.1 在主成分上表示数据64 5.1.1 近似数据团块64 5.1.2 例子：变换身高体重堆65 5.1.3 在主成分上表示数据67 5.1.4 低维表示中的误差68 5.1.5 用NIPALS算法提取若干主成分69 5.1.6 主成分和缺失值70 5.1.7 PCA作为平滑方法71 5.2 例子：用主成分表示颜色72 5.3 例子：用主成分表示人脸75 习题77 编程练习78 第6章 低秩近似80 6.1 奇异值分解80 6.1.1 SVD和PCA81 6.1.2 SVD和低秩近似82 6.1.3 用SVD进行平滑82 6.2 多维缩放83 6.2.1 通过高维的距离选择低维的点83 6.2.2 使用低秩近似分解因子84 6.2.3 例子：利用多维缩放进行映射85 6.3 例子：文本模型和潜在语义分析87 6.3.1 余弦距离88 6.3.2 对单词计数进行平滑88 6.3.3 例子：对NIPS文档进行映射89 6.3.4 获得词的含义90 6.3.5 例子：对NIPS数据集的词进行映射92 6.3.6 TFIDF93 习题94 编程练习95 第7章 典型相关分析97 7.1 典型相关分析算法97 7.2 例子：在词和图片上进行CCA99 7.3 例子：在反射率和遮光上进行CCA102 编程练习105 第三部分 聚类 第8章 聚类108 8.1 聚合式聚类和拆分式聚类108 8.2 k均值算法及其变体111 8.2.1 如何选择k的值114 8.2.2 软分配115 8.2.3 高效聚类和层级式k均值117 8.2.4 k中心点算法117 8.2.5 例子：葡萄牙的杂货117 8.2.6 关于k均值算法的一些见解119 8.3 用向量量化描述重复性120 8.3.1 向量量化121 8.3.2 例子：基于加速度计数据的行为123 编程练习126 第9章 使用概率模型进行聚类130 9.1 混合模型与聚类130 9.1.1 数据团块的有限混合模型130 9.1.2 主题和主题模型132 9.2 EM算法133 9.2.1 例子——高斯混合：E步134 9.2.2 例子——高斯混合：M步136 9.2.3 例子——主题模型：E步136 9.2.4 例子——主题模型：M步137 9.2.5 EM算法的实践137 习题140 编程练习140 第四部分 回归 第10章 回归144 10.1 概述144 10.2 线性回归和最小二乘法146 10.2.1 线性回归146 10.2.2 选择β147 10.2.3 残差148 10.2.4 R2149 10.2.5 变量变换150 10.2.6 可以相信回归吗152 10.3 可视化回归以发现问题153 10.3.1 问题数据点具有显著影响153 10.3.2 帽子矩阵和杠杆155 10.3.3 库克距离156 10.3.4 标准化残差156 10.4 很多解释变量158 10.4.1 一个解释变量的函数158 10.4.2 正则化线性回归159 10.4.3 例子：体重与身体测量值162 附录 数据165 习题165 编程练习168 第11章 回归：选择和管理模型170 11.1 模型选择：哪种模型最好170 11.1.1 偏差与方差170 11.1.2 用惩罚机制选择模型：AIC和BIC172 11.1.3 使用交叉验证选择模型173 11.1.4 基于分阶段回归的贪心搜索174 11.1.5 哪些变量是重要的174 11.2 鲁棒回归175 11.2.1 M估计和迭代加权最小二乘176 11.2.2 M估计的尺度178 11.3 广义线性模型179 11.3.1 逻辑回归179 11.3.2 多类逻辑回归180 11.3.3 回归计数数据181 11.3.4 离差181 11.4 L1正则化和稀疏模型182 11.4.1 通过L1正则化删除变量182 11.4.2 宽数据集185 11.4.3 在其他模型上使用稀疏惩罚186 编程练习187 第12章 Boosting190 12.1 贪心法和分阶段回归法190 12.1.1 例子：贪心分阶段线性回归190 12.1.2 回归树192 12.1.3 基于树的贪心分阶段回归193 12.2 Boosting分类器196 12.2.1 损失196 12.2.2 分阶段降低损失的一般方法197 12.2.3 例子：Boosting决策树桩198 12.2.4 决策树桩的梯度提升199 12.2.5 其他预测器的梯度提升200 12.2.6 例子：医生会开阿片类药物吗201 12.2.7 用lasso修剪提升的预测器202 12.2.8 梯度提升软件204 习题206 编程练习207 第五部分 图模型 第13章 隐马尔可夫模型210 13.1 马尔可夫链210 13.1.1 转移概率矩阵212 13.1.2 稳态分布214 13.1.3 例子：文本的马尔可夫链模型216 13.2 隐马尔可夫模型与动态规划218 13.2.1 隐马尔可夫模型218 13.2.2 用网格图图解推断过程219 13.2.3 基于动态规划的推断过程222 13.2.4 例子：校正简单文本错误222 13.3 隐马尔可夫模型的学习过程224 13.3.1 当隐状态有明确语义信息时225 13.3.2 基于EM的隐马尔可夫模型学习过程225 习题228 编程练习229 第14章 学习序列模型的判别式方法232 14.1 图模型232 14.1.1 推断与图232 14.1.2 图模型234 14.1.3 在图模型中的学习235 14.2 用于序列的条件随机场模型235 14.2.1 MEMM和标签偏置236 14.2.2 条件随机场模型237 14.2.3 学习CRF时需要留心238 14.3 CRF的判别学习239 14.3.1 模型的表示239 14.3.2 例子：数字序列建模240 14.3.3 建立学习问题241 14.3.4 梯度计算241 习题243 编程练习243 第15章 平均场推断245 15.1 有用却难解的模型245 15.1.1 用玻尔兹曼机为二值图像去噪246 15.1.2 离散马尔可夫随机场246 15.1.3 基于离散马尔可夫随机场的去噪和分割247 15.1.4 离散马尔可夫场的MAP推断可能很难249 15.2 变分推断250 15.2.1 KL散度250 15.2.2 变分自由能251 15.3 例子：玻尔兹曼机的变分推断251 第六部分 深度网络 第16章 简单神经网络256 16.1 单元和分类256 16.1.1 用单元来构建一个分类器：代价函数256 16.1.2 用单元来构建一个分类器：决策 258 16.1.3 用单元来构建一个分类器：训练258 16.2 例子：信用卡账户分类260 16.3 层和网络264 16.3.1 堆叠层264 16.3.2 雅可比矩阵和梯度265 16.3.3 构建多层266 16.3.4 梯度和反向传播267 16.4 训练多层网络269 16.4.1 软件环境270 16.4.2 Dropout和冗余单元271 16.4.3 例子：再论信用卡账户271 16.4.4 高级技巧：梯度缩放273 习题276 编程练习277 第17章 简单图像分类器278 17.1 图像分类278 17.1.1 基于卷积的模式检测279 17.1.2 卷积层的堆叠283 17.2 两个实用的图像分类器284 17.2.1 例子：MNIST数据集分类285 17.2.2 例子：CIFAR10数据集分类288 17.2.3 异类：对抗样本292 编程练习293 第18章 图像分类与物体检测294 18.1 图像分类295 18.1.1 物体图像分类数据集295 18.1.2 场景图像分类数据集296 18.1.3 增广和集成297 18.1.4 AlexNet298 18.1.5 VGGNet299 18.1.6 批归一化301 18.1.7 计算图302 18.1.8 Inception网络302 18.1.9 残差网络303 18.2 物体检测305 18.2.1 物体检测如何工作305 18.2.2 选择性搜索306 18.2.3 RCNN、Fast RCNN和Faster RCNN307 18.2.4 YOLO309 18.2.5 评价检测器310 18.3 延伸阅读312 习题313 编程练习313 第19章 大信号的小码表示315 19.1 更好的低维映射315 19.1.1 萨蒙映射316 19.1.2 TSNE317 19.2 产生低维表示的映射319 19.2.1 编码器、解码器和自编码器319 19.2.2 令数据块变得更大320 19.2.3 去噪自编码器322 19.3 从例子中产生图像325 19.3.1 变分自编码器326 19.3.2 对抗损失：愚弄分类器327 19.3.3 利用测试函数来匹配分布328 19.3.4 通过查看距离来匹配分布329 编程练习330 |