[套装书]深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台+终身机器学习（原书第2版）（2册）
| 作者 |
| 王健宗 瞿晓阳[美]陈志源（Zhiyuan Chen）刘兵（Bing Liu） |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787190830104 |
| 简要 |
| 简介 |
| 这是一部从基础理论、核心原理、前沿算法等多个维度系统、全面讲解AutoML、AutoDL、AutoNAS和元学习的著作。 作者是资深的人工智能专家，平安科技深度学习平台和AutoML平台负责人。本书得到了IEEE Fellow/ACM杰出科学家/香港科技大学教授杨强教授、腾讯AI Lab副主任俞栋、美国佛罗里达大学教授李晓林等8位来自企业界、学术界和媒体界的资深专家的一致好评。它既能让新人理清AutoML的脉络，快速上手机器学习，又能让有经验的读者全面掌握AutoML的知识体系，工作变得更高效。 全书共14章，逻辑上分为四部分： 第一部分（第1~2章） 人工智能基础 对人工智能、自动化人工智能的重要概念、发展历程及现状、适用场景、主要的工具和技术等做了全面的介绍，并引出了人工智能技术未来的发展方向——AutoML，这部分是阅读本书的基础。 第二部分（第3~6章） AutoML 主要讲解机器学习和自动化机器学习，核心是AutoML，包含自动化特征工程、自动化模型选择和自动化超参优化3个方面的内容。 第三部分（第7~13章） AutoDL 主要讲解深度学习和自动化深度学习，重点讲解了AutoDL的原理、基于强化学习的AutoDL、基于进化算法的AutoDL、AtuoDL的高阶知识、自动化模型压缩与加速，以及各种核心算法和前沿算法。 第四部分（第14章） 元学习 元学习是人工智能的理想目标，这部分对元学习的概念、流程和各种主流的学习方法都进行了详尽的介绍。 . ---------------------------终身机器学习（原书第2版）--------------------------- 终身机器学习（Lifelong Machine Learning）第二版是对高级机器学习范式的介绍，通过积累过去的知识持续地学习，并将所学到的知识用于帮助未来的学习和问题解决。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员和从业人员。讲师随时可以在任何这些相关领域的课程中使用本书。 |
| 目录 |
---------------------------深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台--------------------------- 赞誉 前言 第1章 人工智能概述1 1.1 全面了解人工智能1 1.1.1 人工智能定义1 1.1.2 弱人工智能、强人工智能与超人工智能2 1.1.3 人工智能三大主义3 1.1.4 机器学习与深度学习4 1.2 人工智能发展历程5 1.3 深度学习的崛起之路7 1.3.1 人脸识别的起源7 1.3.2 自动驾驶的福音7 1.3.3 超越人类的AI智能体8 1.3.4 懂你的AI8 1.3.5 奔跑、飞行以及玩游戏的AI8 1.3.6 人人都可以创造属于自己的AI8 1.4 深度学习的发展9 1.4.1 计算机视觉9 1.4.2 自然语言处理10 1.4.3 语音识别11 1.5 下一代人工智能11 1.6 参考文献13 第2章 自动化人工智能14 2.1 AutoML概述14 2.1.1 什么是自动化14 2.1.2 AutoML的起源与发展15 2.2 AutoML的研究意义17 2.2.1 AutoML的研究动机17 2.2.2 AutoML的意义和作用18 2.3 现有AutoML平台产品21 2.3.1 谷歌Cloud AutoML21 2.3.2 百度EasyDL23 2.3.3 阿里云PAI24 2.3.4 探智立方DarwinML28 2.3.5 第四范式AI ProphetAutoML29 2.3.6 智易科技30 2.4 参考文献31 第3章 机器学习概述32 3.1 机器学习的发展32 3.1.1 “机器学习”名字的由来32 3.1.2 “机器学习”的前世今生33 3.1.3 “机器学习”的理论基础34 3.2 机器学习的实现方法36 3.2.1 分类问题36 3.2.2 回归问题38 3.2.3 聚类问题39 3.3 自动化机器学习40 3.3.1 机器学习面临的问题40 3.3.2 为什么会产生AutoML41 3.4 参考文献41 第4章 自动化特征工程43 4.1 特征工程43 4.1.1 什么是特征43 4.1.2 什么是特征工程44 4.2 特征工程处理方法45 4.2.1 特征选择45 4.2.2 数据预处理47 4.2.3 特征压缩48 4.3 手工特征工程存在的问题49 4.4 自动化特征工程50 4.4.1 什么是自动化特征工程50 4.4.2 机器学习和深度学习的特征工程51 4.5 自动化特征工程生成方法52 4.5.1 深度特征合成算法52 4.5.2 Featuretools自动特征提取52 4.5.3 基于时序数据的自动化特征工程56 4.6 自动化特征工程工具67 4.6.1 自动化特征工程系统67 4.6.2 自动化特征工程平台71 4.7 参考文献75 第5章 自动化模型选择76 5.1 模型选择76 5.2 自动化模型选择77 5.2.1 基于贝叶斯优化的自动化模型选择78 5.2.2 基于进化算法的自动化模型选择84 5.2.3 分布式自动化模型选择86 5.2.4 自动化模型选择的相关平台92 5.3 自动集成学习94 5.3.1 集成学习基础94 5.3.2 集成学习之结合策略97 5.3.3 自动化模型集成98 5.4 参考文献99 第6章 自动化超参优化101 6.1 概述101 6.1.1 问题定义103 6.1.2 搜索空间103 6.1.3 搜索策略103 6.1.4 评价预估104 6.1.5 经验迁移加速105 6.2 基本方法105 6.2.1 网格搜索105 6.2.2 随机搜索105 6.3 基于模型的序列超参优化106 6.3.1 代理模型的选择108 6.3.2 代理模型的更新108 6.3.3 新超参组的选择109 6.3.4 基于高斯过程回归的序列超参优化111 6.3.5 基于随机森林算法代理的序列超参优化112 6.3.6 基于TPE算法的序列超参优化114 6.3.7 SMBO的进阶技巧114 6.4 基于进化算法的自动化超参优化115 6.4.1 基于进化策略的自动化超参优化115 6.4.2 基于粒子群算法的自动化超参优化116 6.5 基于迁移学习的超参优化加速方法117 6.5.1 经验迁移机制117 6.5.2 经验迁移衰退机制117 6.5.3 经验迁移权重机制117 6.5.4 优化过程的试点机制118 6.6 参考文献118 第7章 深度学习基础120 7.1 深度学习简介120 7.1.1 什么是神经元120 7.1.2 人工神经网络的发展历程121 7.1.3 深度学习方法123 7.2 卷积神经网络简介123 7.2.1 卷积层123 7.2.2 池化层125 7.2.3 全连接层126 7.3 CNN经典模型126 7.3.1 LeNet126 7.3.2 AlexNet127 7.3.3 VGGNet128 7.3.4 GoogLeNet129 7.3.5 ResNet130 7.3.6 DenseNet131 7.4 循环神经网络132 7.4.1 基本循环神经模型132 7.4.2 LSTM模型133 7.4.3 GRU模型134 7.5 参考文献134 第8章 自动化深度学习概述136 8.1 深度学习vs自动化深度学习136 8.2 什么是NAS136 8.2.1 问题定义137 8.2.2 搜索策略139 8.2.3 加速方案140 8.3 NAS方法分类140 第9章 基于强化学习的AutoDL142 9.1 强化学习基础142 9.1.1 强化学习简介142 9.1.2 基本要素及问题定义144 9.1.3 发展历史144 9.1.4 基本方法146 9.2 两类基本模型147 9.2.1 TD经典算法148 9.2.2 DQN系列算法149 9.2.3 策略梯度算法152 9.3 强化学习之Actor-Critic系列154 9.3.1 Actor-Critic算法154 9.3.2 确定性策略梯度155 9.3.3 深度确定性策略梯度157 9.3.4 异步优势Actor-Critic算法158 9.3.5 近端策略优化160 9.3.6 分布式近端策略优化164 9.4 基于强化学习的自动搜索166 9.5 基本搜索方法166 9.5.1 基于层的搜索166 9.5.2 基于块的搜索169 9.5.3 基于连接的搜索171 9.6 进阶搜索方法173 9.6.1 逆强化学习173 9.6.2 图超网络174 9.6.3 蒙特卡洛树搜索175 9.6.4 知识提炼（教师网络）177 9.7 参考文献179 第10章 基于进化算法的AutoDL181 10.1 启发式算法181 10.1.1 随机搜索182 10.1.2 近邻搜索183 10.1.3 进化计算187 10.1.4 启发式算法的局限性189 10.2 初代进化算法190 10.2.1 基本术语190 10.2.2 基础算子191 10.2.3 遗传算法196 10.2.4 进化策略198 10.2.5 进化规划199 10.3 其他近代进化算法200 10.3.1 遗传编程算法簇200 10.3.2 群体算法—以PSO为例205 10.3.3 文化基因算法207 10.3.4 差分进化算法208 10.3.5 分布估计算法208 10.4 进化神经网络209 10.4.1 简介209 10.4.2 神经网络编码方式210 10.4.3 竞争约定211 10.4.4 网络结构的创新性212 10.4.5 NAS之进化算法212 10.5 细粒度的神经进化（NEAT算法）213 10.5.1 基因编码214 10.5.2 基因的可追溯性216 10.5.3 通过物种形成保护创新结构216 10.6 粗粒度的神经进化（CoDeep-NEAT算法）218 10.6.1 DeepNEAT算法218 10.6.2 CoDeepNEAT算法219 10.7 block-level的进化220 10.7.1 Genetic CNN算法220 10.7.2 CGP-CNN方法222 10.8 基于node-level的网络架构进化224 10.8.1 思想简介224 10.8.2 基本算法设计225 10.8.3 信息复用与加速226 10.9 基于NAS搜索空间的网络架构进化227 10.9.1 思想简介227 10.9.2 基本算法设计227 10.9.3 信息复用与加速228 10.10 基于层次拓扑表示的网络进化方法228 10.10.1 思想简介228 10.10.2 分级表示229 10.10.3 随机的层次分级进化230 10.11 参考文献230 第11章 AutoDL高阶233 11.1 搜索加速之权值共享法233 11.1.1 ENAS233 11.1.2 基于稀疏优化的NAS235 11.2 基于one-shot模型的架构搜索236 11.2.1 超网络的应用236 11.2.2 基于one-shot的搜索237 11.2.3 实例级架构搜索238 11.2.4 单路径超网络240 11.3 搜索加速之代理评估模型241 11.3.1 代理模型241 11.3.2 PNAS中的LSTM代理242 11.4 基于网络态射法的神经架构搜索244 11.4.1 网络态射的提出244 11.4.2 什么是网络态射244 11.4.3 网络态射+迂回爬山法246 11.5 可微分神经架构搜索247 11.5.1 可微分神经架构搜索的来源247 11.5.2 可微分神经架构搜索的方法248 11.6 参考文献250 第12章 垂直领域的AutoDL252 12.1 AutoCV252 12.1.1 Auto-DeepLab（图像语义分割）252 12.1.2 随机连线神经网络257 12.2 AutoVoice261 12.2.1 关键词定位问题定义261 12.2.2 随机自适应架构搜索原理262 12.2.3 SANAS模型262 12.3 AutoNLP263 12.3.1 什么是自注意力机制263 12.3.2 初识Transformer模型265 12.3.3 Evolved Transformer结构266 12.4 参考文献270 第13章 自动化模型压缩与加速271 13.1 从生物角度看模型压缩的重要性271 13.1.1 人脑神经元的修剪271 13.1.2 大脑的冗余性272 13.1.3 修剪的意义273 13.2 模型压缩发展概述274 13.3 入门级方法：量化技术275 13.3.1 量化技术275 13.3.2 二值化网络276 13.3.3 TensorRT277 13.4 初级方法：修剪法278 13.4.1 修剪法278 13.4.2 修剪与修复279 13.5 中级方法：稀疏化技术281 13.5.1 正则化281 13.5.2 知识精炼281 13.5.3 张量分解281 13.6 高级方法：轻量级模型设计284 13.6.1 简化卷积操作284 13.6.2 深度可分离卷积285 13.6.3 改进的Inception287 13.7 自动化模型压缩技术289 13.7.1 AMC算法289 13.7.2 PocketFlow框架291 13.8 基于AutoDL的轻量级模型292 13.8.1 问题定义292 13.8.2 帕累托最优问题293 13.8.3 进化算法的应用294 13.8.4 强化学习的应用296 13.8.5 可微分架构搜索298 13.9 参考文献300 第14章 元学习302 14.1 什么是元学习302 14.1.1 基本介绍302 14.1.2 经典案例303 14.1.3 深入了解元学习304 14.1.4 元学习应用的发展306 14.2 元学习的通用流程306 14.2.1 基本定义306 14.2.2 流程框架306 14.3 从模型评估中学习307 14.3.1 任务无关推荐308 14.3.2 参数空间设计308 14.3.3 参数转换309 14.3.4 学习曲线310 14.4 从任务属性中学习310 14.4.1 元特征310 14.4.2 学习元特征311 14.4.3 相似任务的热启动优化311 14.4.4 元模型311 14.4.5 管道合成312 14.4.6 是否调整312 14.5 从先前模型中学习312 14.5.1 迁移学习313 14.5.2 神经网络中的元学习313 14.5.3 小样本学习314 14.5.4 监督学习之外的方法315 14.6 基于模型的方法316 14.6.1 记忆增强神经网络316 14.6.2 元网络317 14.6.3 模型无关的元学习方法317 14.6.4 利用注意力机制的方法319 14.6.5 基于时间卷积的方法320 14.6.6 基于损失预测的方法321 14.6.7 元强化学习321 14.7 基于度量的方法322 14.7.1 Siamese网络322 14.7.2 匹配网络324 14.7.3 关系网络324 14.7.4 原型网络325 14.8 基于优化的方法326 14.8.1 基于LSTM网络的元学习者326 14.8.2 未知模型的元学习326 14.8.3 Reptile：可扩展元学习方法327 14.8.4 基于梯度预测的方法327 14.9 参考文献329 结束语332 ---------------------------终身机器学习（原书第2版）--------------------------- 译者序 前 言 致 谢 第1章 引言1 1.1 传统机器学习范式1 1.2 案例3 1.3 终身学习简史7 1.4 终身学习的定义9 1.5 知识类型和关键挑战14 1.6 评估方法和大数据的角色17 1.7 本书大纲18 第2章 相关学习范式20 2.1 迁移学习20 2.1.1 结构对应学习21 2.1.2 朴素贝叶斯迁移分类器22 2.1.3 迁移学习中的深度学习23 2.1.4 迁移学习与终身学习的区别24 2.2 多任务学习25 2.2.1 多任务学习中的任务相关性25 2.2.2 GO-MTL：使用潜在基础任务的多任务学习26 2.2.3 多任务学习中的深度学习28 2.2.4 多任务学习与终身学习的区别30 2.3 在线学习30 2.4 强化学习31 2.5 元学习32 2.6 小结34 第3章 终身监督学习35 3.1 定义和概述36 3.2 基于记忆的终身学习37 3.2.1 两个基于记忆的学习方法37 3.2.2 终身学习的新表达37 3.3 终身神经网络39 3.3.1 MTL网络39 3.3.2 终身EBNN40 3.4 ELLA：高效终身学习算法41 3.4.1 问题设定41 3.4.2 目标函数42 3.4.3 解决第一个低效问题43 3.4.4 解决第二个低效问题45 3.4.5 主动的任务选择46 3.5 终身朴素贝叶斯分类47 3.5.1 朴素贝叶斯文本分类47 3.5.2 LSC的基本思想49 3.5.3 LSC技术50 3.5.4 讨论52 3.6 基于元学习的领域词嵌入52 3.7 小结和评估数据集54 第4章 持续学习与灾难性遗忘56 4.1 灾难性遗忘56 4.2 神经网络中的持续学习58 4.3 无遗忘学习61 4.4 渐进式神经网络62 4.5 弹性权重合并63 4.6 iCaRL：增量分类器与表示学习65 4.6.1 增量训练66 4.6.2 更新特征表示67 4.6.3 为新类构建范例集68 4.6.4 在iCaRL中完成分类68 4.7 专家网关69 4.7.1 自动编码网关69 4.7.2 测量训练的任务相关性70 4.7.3 为测试选择最相关的专家71 4.7.4 基于编码器的终身学习71 4.8 生成式重放的持续学习72 4.8.1 生成式对抗网络72 4.8.2 生成式重放73 4.9 评估灾难性遗忘74 4.10 小结和评估数据集75 第5章 开放式学习79 5.1 问题定义和应用80 5.2 基于中心的相似空间学习81 5.2.1 逐步更新CBS学习模型82 5.2.2 测试CBS学习模型84 5.2.3 用于未知类检测的CBS学习84 5.3 DOC：深度开放式分类87 5.3.1 前馈层和一对其余层87 5.3.2 降低开放空间风险89 5.3.3 DOC用于图像分类90 5.3.4 发现未知类90 5.4 小结和评估数据集91 第6章 终身主题建模93 6.1 终身主题建模的主要思想93 6.2 LTM：终身主题模型97 6.2.1 LTM模型97 6.2.2 主题知识挖掘99 6.2.3 融合过去的知识100 6.2.4 Gibbs采样器的条件分布102 6.3 AMC：少量数据的终身主题模型102 6.3.1 AMC整体算法103 6.3.2 挖掘must-link知识104 6.3.3 挖掘cannot-link知识107 6.3.4 扩展的Pólya瓮模型108 6.3.5 Gibbs采样器的采样分布110 6.4 小结和评估数据集112 第7章 终身信息提取114 7.1 NELL：永不停止语言学习器114 7.1.1 NELL结构117 7.1.2 NELL中的提取器与学习118 7.1.3 NELL中的耦合约束120 7.2 终身评价目标提取121 7.2.1 基于推荐的终身学习122 7.2.2 AER算法123 7.2.3 知识学习124 7.2.4 使用过去知识推荐125 7.3 在工作中学习126 7.3.1 条件随机场127 7.3.2 一般依赖特征128 7.3.3 L-CRF算法130 7.4 Lifelong-RL：终身松弛标记法131 7.4.1 松弛标记法132 7.4.2 终身松弛标记法133 7.5 小结和评估数据集133 第8章 聊天机器人的持续知识学习135 8.1 LiLi：终身交互学习与推理136 8.2 LiLi的基本思想139 8.3 LiLi的组件141 8.4 运行示例142 8.5 小结和评估数据集142 第9章 终身强化学习144 9.1 基于多环境的终身强化学习146 9.2 层次贝叶斯终身强化学习147 9.2.1 动机147 9.2.2 层次贝叶斯方法148 9.2.3 MTRL算法149 9.2.4 更新层次模型参数150 9.2.5 对MDP进行采样151 9.3 PG-ELLA：终身策略梯度强化学习152 9.3.1 策略梯度强化学习152 9.3.2 策略梯度终身学习设置154 9.3.3 目标函数和优化154 9.3.4 终身学习的安全策略搜索156 9.3.5 跨领域终身强化学习156 9.4 小结和评估数据集157 第10章 结论及未来方向159 参考文献164 |
有问题微信扫码联系