中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
增強深度神經網絡 版權信息
- ISBN：9787519849641
- 條形碼：9787519849641 ; 978-7-5198-4964-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
增強深度神經網絡 本書特色
讓人工智能系統健壯應對對抗性攻擊。 隨著深度神經網絡(DNN)在實際應用中日益普遍，攻擊者可在不引起人警覺的情況下，構造數據蓄意“欺騙” 深度神經網絡，這種新型攻擊向量(攻擊手段)威脅到以深度神經網絡為核心算法的人工智能系統的安全。本書緊貼實際，考察了深度神經網絡算法的多種真實應用場景，如圖像、音頻和視頻數據處理。 本書作者探討了對抗性攻擊的意圖，分析了對抗性輸入對人工智能系統的威脅，并考察了現有對抗性攻擊和防御方法，為增強深度神經網絡，使其健壯應對對抗性攻擊，做了諸多有益的探索。如果你是數據科學家，正在開發深度神經網絡算法，或是安全架構師，有意提升人工智能系統應對攻擊的能力，又或是對人工和生物感知的差異感興趣，那么本書正是為你而寫的。 “本書深刻揭露了人工智能系統存在的安全問題，深入分析了現有解決方案。作者是頂級數據科學家，且有著豐富的從業經驗。本書是所有人工智能從業者的必讀書。”——Mark BriersAlan Turing Institute項目主任及人工智能和網絡安全教授 “增強你開發的神經網絡，需要你佩戴對抗性眼鏡。來閱讀這本書吧！”——Pin-Yu ChenIBM Research AI團隊的研究員 讓人工智能系統健壯應對對抗性攻擊。
增強深度神經網絡 內容簡介
深入深度神經網絡，揭開對抗性輸入如何欺騙深度神經網絡。
探討如何生成對抗性輸入去攻擊深度神經網絡。
探索真實對抗性攻擊場景和為對抗性威脅建模。
評估神經網絡的健壯性；學會增強人工智能系統應對對抗性數據的能力。
考察未來幾年可用哪些方式讓人工智能更擅長模擬人的感知。
增強深度神經網絡 目錄
目錄
前言 1
第1 章 機器學習入門 7
本書使用的庫 7
用pip 安裝庫 10
用conda 安裝庫12
第2 章 機器學習流程概覽 15
第3 章 數據分類工作流：泰坦尼克號數據集 17
項目布局建議 17
導入 18
提出問題 19
數據術語 19
獲取數據 21
清洗數據 22
創建特征 29
數據采樣 31
數據插值 31
規范數據 32
重構 33
基準模型 35
不同算法族 35
模型堆疊 37
建模 38
評估模型 38
優化模型 40
混淆矩陣 41
ROC 曲線 42
學習曲線 44
部署模型 45
第4 章 數據缺失 47
檢查數據缺失情況 48
刪除缺數據的行或列 52
插值 53
添加標識列 54
第5 章 清洗數據 55
處理列名 55
替換缺失值 56
第6 章 探索數據 59
數據大小 59
匯總統計 60
直方圖 61
散點圖 62
Joint Plot 圖 63
Pair Grid 圖 66
箱形圖和小提琴圖 68
比較兩個序數型特征 69
相關性 71
RadViz 圖 76
平行坐標圖 78
第7 章 預處理數據 81
標準化 81
調整取值范圍 83
虛擬變量 84
標簽編碼 85
頻數編碼 86
從字符串抽取類別型數據 87
類別型數據的其他編碼方法 89
日期特征的處理方法 91
添加col_na 特征 92
特征工程 93
第8 章 特征選擇 95
共線列 95
套索回歸 99
遞歸特征消除 100
互信息 102
主成分分析 103
特征重要性 103
第9 章 類別不平衡 105
采用不同度量標準 105
樹模型和集成方法 105
懲罰模型 106
對小眾類別上采樣 106
生成小眾數據 107
對大眾類別下采樣 107
先上采樣，再下采樣 109
第10 章 分類 111
對數概率回歸 112
樸素貝葉斯 117
支持向量機 120
k 近鄰 123
決策樹 126
隨機森林 133
XGBoost 138
LightGBM150
TPOT 155
第11 章 模型選擇 161
驗證曲線 161
學習曲線 163
第12 章 度量標準和分類評估 165
混淆矩陣 165
度量標準 168
準確率 170
召回率 171
精準率 171
f1 值 172
分類報告 172
ROC 曲線 173
精準率- 召回率曲線 175
累積增益圖 176
lift 曲線 178
類別平衡 180
類別預測錯誤 181
判別閾值 182
第13 章 解釋模型 185
回歸系數 185
特征重要性 186
LIME 包186
解釋樹模型 188
部分依賴圖 189
替代模型 193
Shapley 值 194
第14 章 回歸 199
基準模型 201
線性回歸 202
支持向量機 206
k 近鄰 208
決策樹 210
隨機森林 217
XGBoost 回歸 220
LightGBM 回歸 228
第15 章 度量標準和回歸模型的評估 233
度量標準 233
殘差圖 236
異方差性 237
殘差正態性 237
預測誤差圖 239
第16 章 解釋回歸模型 241
Shapley 值 241
第17 章 降維技術 247
PCA 方法 247
UMAP 方法 267
t-SNE 方法 273
PHATE 方法 277
第18 章 聚類 283
k-means 算法 283
層次聚類 290
理解簇 293
第19 章 流水線 299
分類流水線 299
回歸流水線 302
PCA 流水線 303
作者介紹 305
展開全部
增強深度神經網絡 作者簡介
Katy Warr專攻人工智能和數據分析。她此前有多年企業軟件架構設計和開發經驗。她擁有愛丁堡大學人工智能和計算機科學學位
書友推薦
- >
我從未如此眷戀人間
- >
李白與唐代文化
- >
苦雨齋序跋文-周作人自編集
- >
伊索寓言-世界文學名著典藏-全譯本
- >
朝聞道
- >
名家帶你讀魯迅:朝花夕拾
- >
【精裝繪本】畫給孩子的中國神話
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
