| 作者 |
| 王健宗 李泽远 何安珣 朱塞佩·博纳科尔索 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782104251047 |
| 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。 . ---------------------------8067792 - 机器学习算法（原书第2版）--------------------------- 本书介绍了数据科学领域常用的所有重要机器学习算法以及TensorFlow和特征工程等相关内容。涵盖的算法包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、k均值、随机森林等，这些算法可以用于监督学习、非监督学习、强化学习或半监督学习。 在本书中，你将学会如何使用这些算法来解决所遇到的问题，并了解这些算法的工作方式。本书还将介绍自然语言处理和推荐系统，这些内容将帮助大家进行多种算法的实践。 阅读完本书后，面对你所遇到的问题，你将了解如何选择合适的聚类、分类或回归的机器学习算法。 |
| 目录 |
| [套装书具体书目] 8067792 - 机器学习算法（原书第2版） - 9787111645788 - 机械工业出版社 - 定价 99 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 ---------------------------8067792 - 机器学习算法（原书第2版）--------------------------- 译者序 前言 第1章机器学习简介 1.1简介——经典机器和自适应的机器 1.1.1描述性分析 1.1.2预测性分析 1.2关于学习 1.2.1监督学习 1.2.2无监督学习 1.2.3半监督学习 1.2.4强化学习 1.2.5计算神经科学 1.3超越机器学习——深度学习和基于生物启发的适应系统 1.4机器学习和大数据 1.5本章小结 第2章机器学习的重要元素 2.1数据格式 2.2可学习性 2.2.1欠拟合和过拟合 2.2.2误差度量和成本函数 2.2.3PAC学习 2.3统计学习方法介绍 2.3.1最大后验概率学习 2.3.2最大似然学习 2.4类平衡 2.4.1可置换的重采样 2.4.2合成少数类过采样 2.5信息论的要素 2.5.1熵 2.5.2交叉熵和互信息 2.5.3两个概率分布的散度 2.6本章小结 第3章特征选择与特征工程 3.1scikit-learn的toy数据集 3.2创建训练集和测试集 3.3管理分类数据 3.4管理缺失特征 3.5数据缩放和归一化 3.6特征选择和过滤 3.7主成分分析 3.7.1非负矩阵分解 3.7.2稀疏PCA 3.7.3核PCA 3.8独立成分分析 3.9原子提取和字典学习 3.10使用t-SNE可视化高维数据集 3.11本章小结 第4章回归算法 4.1线性模型 4.2一个二维的例子 4.3基于scikit-learn的线性回归和更高维 4.3.1决定系数 4.3.2可解释方差 4.3.3回归的解析表达 4.4Ridge回归、Lasso回归和ElasticNet 4.4.1Ridge回归 4.4.2Lasso回归 4.4.3ElasticNet 4.5稳健回归 4.5.1随机抽样一致算法 4.5.2Huber回归 4.6贝叶斯回归 4.7多项式回归 4.8保序回归 4.9本章小结 第5章线性分类算法 5.1线性分类 5.2逻辑回归 5.3实现和优化 5.4随机梯度下降算法 5.5被动攻击算法 5.6通过网格搜索找到最优超参数 5.7评估分类的指标 5.7.1混淆矩阵 5.7.2精确率 5.7.3召回率 5.7.4F-Beta 5.7.5Kappa系数 5.7.6分类报告 5.7.7学习曲线 5.8ROC曲线 5.9本章小结 第6章朴素贝叶斯和判别分析 6.1贝叶斯定理 6.2朴素贝叶斯分类器 6.3scikit-learn中的朴素贝叶斯 6.3.1伯努利朴素贝叶斯 6.3.2多项式朴素贝叶斯 6.3.3高斯朴素贝叶斯 6.4判别分析 6.5本章小结 第7章支持向量机 7.1线性支持向量机 7.2scikit-learn实现 7.3基于内核的分类 7.3.1径向基函数 7.3.2多项式核 7.3.3Sigmoid核 7.3.4自定义核 7.3.5非线性例子 7.4受控支持向量机 7.5支持向量回归 7.6半监督支持向量机简介 7.7本章小结 第8章决策树和集成学习 8.1二元决策树 8.1.1二元决策 8.1.2不纯度的衡量 8.1.3特征重要度 8.2基于scikit-learn的决策树分类 8.3决策树回归 8.4集成学习简介 8.4.1随机森林 8.4.2AdaBoost 8.4.3梯度树提升 8.4.4投票分类器 8.5本章小结 第9章聚类原理 9.1聚类基础 9.2k-NN算法 9.3高斯混合 9.4k-means 9.5基于样本标记的评价方法 9.5.1同质性 9.5.2完整性 9.5.3修正兰德指数 9.6本章小结 第10章高级聚类 10.1DBSCAN 10.2谱聚类 10.3在线聚类 10.3.1mini-batch k-means 10.3.2BIRCH 10.4双聚类 10.5本章小结 第11章层次聚类 11.1分层策略 11.2凝聚聚类 11.2.1树形图 11.2.2scikit-learn中的凝聚聚类 11.2.3连接限制 11.3本章小结 第12章推荐系统介绍 12.1朴素的基于用户的系统 12.2基于内容的系统 12.3无模式（或基于内存的）协同过滤 12.4基于模型的协同过滤 12.4.1奇异值分解策略 12.4.2交替最小二乘法策略 12.4.3用Apache Spark MLlib实现交替最小二乘法策略 12.5本章小结 第13章自然语言处理简介 13.1NLTK和内置语料库 13.2词袋策略 13.2.1标记 13.2.2停止词的删除 13.2.3词干抽取 13.2.4向量化 13.3词性 13.4示例文本分类器 13.5本章小结 第14章NLP中的主题建模与情感分析 14.1主题建模 14.1.1隐性语义分析 14.1.2概率隐性语义分析 14.1.3隐性狄利克雷分配 14.2使用Gensim的Word2vec简介 14.3情感分析 14.4本章小结 第15章神经网络介绍 15.1深度学习简介 15.2基于Keras的MLP 15.3本章小结 第16章高级深度学习模型 16.1深层结构 16.2基于Keras的深度卷积网络示例 16.3基于Kears的LSTM网络示例 16.4TensorFlow简介 16.4.1梯度计算 16.4.2逻辑回归 16.4.3用多层感知器进行分类 16.4.4图像卷积 16.5本章小结 第17章创建机器学习架构 17.1机器学习框架 17.1.1数据收集 17.1.2归一化 17.1.3降维 17.1.4数据扩充 17.1.5数据转换 17.1.6建模、网格搜索和交叉验证 17.1.7可视化 17.1.8GPU支持 17.1.9分布式架构简介 17.2用于机器学习架构的scikit-learn工具 17.2.1管道 17.2.2特征联合 17.3本章小结 |