机读格式显示(MARC)

• 000 01800nam0 2200313 450

• 001 0000232282

• 005 20230721203400.0

• 010 __ |a 978-7-121-40792-5 |d CNY119.00

• 100 __ |a 20210429d2021 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 联邦学习实战 |A lian bang xue xi shi zhan |d = Practicing federated learning |f 杨强 ... [等] 著 |z eng

• 210 __ |a 北京 |c 电子工业出版社 |d 2021.5

• 215 __ |a xv, 323页 |c 图 (部分彩图) |d 26cm

• 304 __ |a 题名页题: 杨强, 黄安埠, 刘洋, 陈天健著

• 314 __ |a 杨强, 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。黄安埠, 微众银行AI项目组资深研究员, 毕业于清华大学。在机器学习、隐私保护安全计算、推荐系统和计算机视觉等领域有丰富的研究和落地经验。刘洋, 微众银行AI项目组资深研究员、研究团队负责人。研究兴趣包括机器学习、联邦学习、迁移学习、多智能体系统、统计力学以及这些技术的产业应用。

• 320 __ |a 有书目 (第299-323页)

• 330 __ |a 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。

• 333 __ |a 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

• 510 1_ |a Practicing federated learning |z eng

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _0 |a 杨强 |A yang qiang |4 著

• 701 _0 |a 黄安埠 |A huang an bu |4 著

• 701 _0 |a 刘洋 |A liu yang |4 著

• 801 _0 |a CN |b 湖北三新 |c 20210429

• 905 __ |a GDPTC |d TP181/221