联邦学习实战
正版新书 新华官方库房直发 可开电子发票
￥ 65.46 5.5折 ￥ 119 全新
库存3件
作者杨强等
出版社电子工业出版社
ISBN9787121407925
出版时间2021-04
版次1
装帧平装
开本16开
纸张胶版纸
页数340页
字数411千字
定价119元
货号SC:9787121407925
上书时间2024-09-06
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 全新正版 提供发票
- 商品描述
-
作者简介:
"杨强教授
微众银行首席人工智能官（CAIO）和香港科技大学（HKUST）计算机科学与工程系讲席教授。曾任香港科技大学计算机科学与工程系系主任。研究兴趣包括人工智能、机器学习和数据挖掘，特别是迁移学习、自动规划、联邦学习和基于案例的推理。
当选多个国际协会会士（Fellow），包括ACM、AAAI、IEEE、IAPR， CAAI和AAAS。
1982 年获北京大学天体物理学学士学位，并分别于1987年和1989 年获马里兰大学帕克分校计算机科学系硕士学位和博士学位。曾在滑铁卢大学（University of Waterloo,1989-1995 年）和西蒙弗雷泽大学（Simon Fraser University, 1995-2001 年）担任教授。
ACM TIST 和IEEE TBD 创始主编，国际人工智能联合会议（IJCAI）理事长（2017-2019 年）和国际人工智能促进学会（AAAI）的执行委员会成员（2016-2020 年）, 香港人工智能学会的理事长，曾任AAAI 2021大会主席。
曾获多个奖项，包括2004/2005 ACM KDDCUP 冠军、ACM SIGKDD 很好服务奖（2017）、AAAI 创新人工智能应用奖（2018, 2020）和吴文俊人工智能杰出贡献奖（2019）。
华为诺亚方舟实验室的创始主任（2012-2014 年）和第四范式（AI 平台公司）的共同创始人。
著有多本书籍：《智能规划》 Intelligent Planning （Springer）、《学术研究，你的成功之路》 （清华大学出版社） Crafting Your Research Future （Morgan & Claypool）、《迁移学习》 （机械工业出版社华章公司）Transfer Learning （Cambridge University Pres
...
主编推荐:
"《联邦学习实战》涵盖了联邦学习落地的一手应用案例，配以Python代码、阐述FATE平台的使用，读者可以快速开始联邦学习的建模，动手实践！
《联邦学习实战》特色：
深度剖析前沿应用案例
丰富的配套视频资源、线上资源
部分案例配以Python代码讲解"
媒体评论:
"国务院在2020年将数据作为新型生产要素写入法律文件，与土地、劳动力、资本、技术并列为五个生产要素。这意味着，一方面，个人数据隐私将受到法律的严格保护，另一方面，数据与其他生产要素一样，可以进行开放、共享和交易。如何有效解决数据隐私与数据共享之间的矛盾成为当前人工智能领域的研究热点问题。
联邦学习作为一种新型的分布式机器学习训练和应用范式，从提出以来就备受关注，也被认为是当前产业界解决数据隐私与数据共享之间矛盾的一种有效方案。作为可信计算的新成员，书中特别提到，联邦学习还可以与区块链强强联合，例如借助区块链记录的不可篡改特性，帮助对联邦学习可能面临的恶意攻击进行追溯；借助区块链的共识机制和智能合约，对联邦学习创造的价值进行利益分配等。
《联邦学习实战》一书，对联邦学习的理论和应用案例做了系统性的阐述和分析，相信能够为广大科研工作者、企业开发人员提供有效的指导和参考。
——陈纯 中国工程院院士
人工智能时代的到来已经不可逆转，在算力、算法和机器学习蓬勃发展的大背景下，数据资产成为非常重要的技术资源，服务企业的长远发展。如何利用好、保护好数据资产是人工智能能否创造更大经济和社会价值的关键因子。联邦学习理念的提出和发展，在这个方面探索出了一条可行之路并做出了重要的示范。
杨强教授是重量人工智能研究专家，在这一领域的学术和产业两端都有非常深的造
诣。希望这本《联邦学习实战》可以为业内人士和机器学习的从业者与爱好者带来启发与思考。
——沈南鹏 红杉资本全球执行合伙人
数据资产化是实现人工智能产业价值的核心环节，而联邦学习是其中的关键技术。书中
...
内容简介:
数据孤岛和隐私保护已经成为制约人工智能发展的关键因素。联邦学习作为一种新型的隐私保护计算方案，在数据不出本地的前提下，能有效联合各参与方联合建模，从而实现“共同富裕”，成为当下人工智能领域备受关注的热点。本书以实战为主（包括对应用案例的深入讲解和代码分析），兼顾对理论知识的系统总结。全书由五部分共19 章构成。第一部分简要介绍了联邦学习的理论知识点；第二部分介绍如何使用Python 和FATE 进行简单的联邦学习建模；第三部分是联邦学习的案例分析，筛选了经典案例进行讲解，部分案例用Python 代码实现，部分案例采用FATE 实现；第四部分主要介绍和联邦学习相关的高级知识点，包括联邦学习的架构和训练的加速方法等；第五部分是回顾与展望。本书适合对联邦学习和隐私保护感兴趣的高校研究者、企业研发人员阅读。
目录:
第一部分联邦学习基础
第1章 联邦学习概述/3
1.1 数据资产的重要性/4
1.2 联邦学习提出的背景/5
1.3 联邦学习的定义/7
1.4 联邦学习的分类/10
1.5 联邦学习算法现状/12
第2章 联邦学习的安全机制/15
2.1 基于同态加密的安全机制/16
2.1.1 同态加密的定义/16
2.1.2 同态加密的分类/18
2.2 基于差分隐私的安全机制/20
2.2.1 差分隐私的定义/20
2.2.2 差分隐私的实现机制/23
2.3 基于安全多方计算的安全机制/26
2.3.1 秘密共享/26
2.3.2 不经意传输/28
2.3.3 混淆电路/29
2.4 安全机制的性能效率对比/30
2.5 基于Python 的安全计算库/31
第二部分联邦学习快速入门
第3章 用Python 从零实现横向联邦图像分类/35
3.1 环境配置/36
3.2 PyTorch 基础/37
3.2.1 创建Tensor /37
3.2.2 Tensor 与Python 数据结构的转换/38
3.2.3 数据操作/39
3.2.4 自动求导/41
3.3 用Python 实现横向联邦图像分类/41
3.3.1 配置信息/41
3.3.2 训练数据集/42
3.3.3 服务端/43
3.3.4 客户端/45
3.3.5 整合/46
3.4 联邦训练的模型效果/47
3.4.1 联邦训练与集中式训练的效果对比/47
3.4.2 联邦模型与单点训练模型的对比/48
第4章 微众银行FATE 平台/51
4.1 FATE 平台架构概述/52
4.2 FATE 安装与部署/53
4.2.1 单机部署/53
4.2.2 集群部署/54
4.2.3 KubeFATE 部署/55
4.
...
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价