联邦学习原理与应用
正版新书 新华官方库房直发 可开电子发票
￥ 73.04 6.7折 ￥ 109 全新
库存4件
作者向小佳 等
出版社电子工业出版社
ISBN9787121423017
出版时间2022-01
版次1
装帧平装
开本16开
纸张胶版纸
页数312页
字数306千字
定价109元
货号SC:9787121423017
上书时间2024-06-25
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
内容简介:
本书既是关于联邦学习技术和实践方法的介绍，又是关于联邦学习在业界，特别是金融科技行业应用实践的案例展示。
第1章介绍联邦学习的发展背景和历程，以及金融业中数据共享的机遇和挑战。第2章～第5章介绍不同类型的机器学习方法在联邦学习模式下的实现，以及关键算法原理。第6章介绍联邦学习开源框架FATE的架构和部署，以及在金融控股集团内大数据平台上建立跨机构统一数据科学平台的实施方案。第7章从建模者的角度展示了典型建模流程的实战过程。第8章和第9章结合金融相关行业的实践，以多个应用案例和解决方案的形式，介绍联邦学习在营销运营和风险管理等不同业务方向上不同层次的应用实践。第10章从人工智能的不同方向介绍联邦学习应用扩展及前景。附录介绍了联邦学习框架中相关的密码学工具。
本书适合隐私保护计算研究者（特别是联邦学习技术的研究者）、大数据和人工智能方向的开发者及大数据相关的应用人员阅读参考。本书为希望使用大数据技术和从事数据分析挖掘的业界人员提供了新的思路和视角。
目录:
第1章 联邦学习与金融科技应用介绍
1.1 联邦学习的发展背景和历程
1.2 金融数据价值挖掘的联邦学习实践
第2章 联邦学习算法之建模准备
2.1 联邦学习的分类
2.2 样本对齐的实现方式
2.2.1 基于哈希函数的普通对齐方式
2.2.2 基于非对称加密算法的隐私保护对齐方式
2.3 特征工程的联邦学习实现方式
2.3.1 特征工程简介
2.3.2 联邦特征工程
第3章 联邦学习算法之模型实现
3.1 线性模型的联邦学习实现方式
3.1.1 横向联邦学习中的线性模型
3.1.2 纵向联邦学习中的线性模型
3.2 特别梯度提升树的联邦学习实现方式
3.2.1 XGBoost算法介绍
3.2.2 SecureBoost算法介绍
3.3 深度学习类算法的联邦学习实现方式
3.3.1 深度学习的基本概念
3.3.2 常用的深度学习算法介绍
3.3.3 联邦深度学习算法介绍
第4章 基于联邦学习的推荐系统
4.1 信息推荐与推荐系统
4.2 矩阵分解和因子分解机的实现方式
4.2.1 基于隐语义模型的推荐算法
4.2.2 矩阵分解算法
4.2.3 因子分解机模型
4.3 联邦推荐系统算法
4.3.1 联邦推荐算法的隐私保护
4.3.2 联邦推荐系统的分类
4.3.3 横向联邦推荐系统
4.3.4 纵向联邦推荐系统
第5章 联邦学习应用之数据要素价值
5.1 联邦学习贡献度
— 没有更多了 —
以下为对购买帮助不大的评价