《[套装书]分布式人工智能:基于TensorFlow、RTOS与群体|8075414》[90M]百度网盘|pdf下载|亲测有效

书名：	[套装书]分布式人工智能：基于TensorFlow、RTOS与群体智能体系+分布式机器学习：算法、理论与实践（2册）\|8075414
图书定价：	258元
图书作者：	王静逸刘铁岩陈薇王太峰高飞
出版社：	机械工业出版社
出版日期：	2020/9/18 0:00:00
ISBN号：	9782010141446
开本：	16开
页数：	824
版次：	1-1

作者简介

---------------------------分布式机器学习：算法、理论与实践---------------------------
刘铁岩：微软亚洲研究院副院长。刘博士的先锋性研究促进了机器学习与信息检索之间的融合，被国际学术界公认为“排序学习”领域的代表人物。近年来在深度学习、分布式学习、强化学习等方面也颇有建树，发表论文200余篇，被引用近两万次。多次获得*佳论文奖、*高引用论文奖、Springer十大畅销华人作者、Elsevier *高引中国学者等。被聘为卡内基-梅隆大学（CMU）客座教授，诺丁汉大学荣誉教授，中国科技大学教授、博士生导师；被评为国际电子电气工程师学会（IEEE）会士，国际计算机学会（ACM）杰出会员。陈薇：微软亚洲研究院机器学习组主管研究员，研究机器学习各个分支的理论解释和算法改进，尤其关注深度学习、分布式机器学习、强化学习、博弈机器学习、排序学习等。2011年于中国科学院数学与系统科学研究院获得博士学位，同年加入微软亚洲研究院，负责机器学习理论项目，先后在NIPS、ICML、AAAI、IJCAI等相关领域顶*国际会议和期刊上发表文章30余篇。王太峰：蚂蚁金服人工智能部总监、资深算法专家。在蚂蚁金服负责AI算法组件建设，算法工作服务于蚂蚁金服的支付、国际、保险等多条业务线。在加入蚂蚁之前在微软亚洲研究院工作11年，任主管研究员，他的研究方向包括大规模机器学习、数据挖掘、计算广告学等。在国际顶*的机器学习会议上发表近20篇的论文，在大规模机器学习工具开源方面也做出过很多贡献，在微软期间主持开发过DMTK的开源项目。高飞：微软亚洲研究院副研究员，主要从事分布式机器学习和深度学习的研究工作，并在国际会议上发表多篇论文。2014年设计开发了当时规模*大的主题模型算法和系统LightLDA。他还开发了一系列分布式机器学习系统，并通过微软分布式机器学习工具包（DMTK）开源在GitHub上。

内容简介

---------------------------分布式人工智能：基于TensorFlow、RTOS与群体智能体系---------------------------
本书结合了分布式计算、大数据、机器学习、深度学习、强化学习等技术，以群体智能为主线，讲述了分布式人工智能的原理和应用。它介绍了分布式计算的框架技术、智能核心、分布式体系与架构。本书介绍了大数据的框架、高速计算、海量存储；介绍了人工智能的经典算法，并且结合分布式技术，进行大规模分布式架构与演进；介绍了群体智能与博弈，结合分布式、大数据、智能核心，讲解了群体智能技术系统的发展方向与开发方式。本书内容通俗易懂，案例丰富，实用性强，特别适合分布式、人工智能、大数据相关的入门读者和进阶读者阅读，也适合游戏开发、推荐系统、群体智能底层研究者等阅读。另外，本书也适合作为相关培训机构的教材使用。
---------------------------分布式机器学习：算法、理论与实践---------------------------
介绍分布式机器学习的现状，深入分析其中的核心技术问题，并且讨论该领域未来的发展方向。全书共12章。第1章是绪论，向大家展示分布式机器学习这个领域的全景。第2章介绍机器学习的基础知识。第3章到第8章是本书的核心部分，向大家细致地讲解分布式机器学习的框架及其各个功能模块。其中第3章给出整个分布式机器学习框架的综述，而第4章到第8章则分别针对其中的数据与模型划分模块、单机优化模块、通信模块、数据与模型聚合模块加以介绍。接下来的三章是对前面内容的总结与升华。其中第9章介绍由分布式机器学习框架中不同选项所组合出来的各式各样的分布式机器学习算法，第10章讨论这些算法的理论性质，第11章则介绍几个主流的分布式机器学习系统（包括Spark MLlib 迭代式MapReduce系统，Multiverso参数服务器系统，TensorFlow数据流系统）。最后的第12章是全书的结语，在对全书内容进行简要总结之后，着重讨论分布式机器学习这个领域未来的发展方向。本书基于微软亚洲研究院机器学习研究团队多年的研究成果和实践经验写成，既可以作为研究生从事分布式机器学习方向研究的参考文献，也可以作为人工智能从业者进行算法选择和系统设计的工具书。人工智能大潮中，市场上已有许多机器学习书籍，但是分布式机器学习的专门书籍还很少见。本书是希望学习和了解分布式机器学习的读者的福音。

---------------------------分布式人工智能：基于TensorFlow、RTOS与群体智能体系---------------------------

前言
第1篇基础概念
第1章分布式系统简介 2
1.1 什么是分布式系统 2
1.2 分布式系统的历史与未来 10
1.3 分布式系统与并行计算 13
1.4 分布式系统与边缘计算 17
1.5 分布式与超算系统 20
1.6 分布式多智能体 21
1.7 单体人工智能 22
1.7.1 TensorFlow的分布式方案 22
1.7.2 Spark分布式机器学习 24
1.7.3 Google联合学习方案 26
1.8 分布式与多人博弈 27
1.9 分布式与群体智能决策 29
1.10 分布式与群体智能的未来和价值 30
1.11 本章小结 31
第2章分布式智能计算基础 33
2.1 常用的分布式计算框架 33
2.2 Spark分布式框架介绍 37
2.3 HLA高层联邦体系 41
2.4 Multi-Agent体系 44
2.5 RTI与RTOS分布式计算核心 47
2.6 分布式计算的原理和常用方法 52
2.6.1 分布式计算规则 52
2.6.2 分布式与同步 55
2.6.3 分布式与异步 59
2.6.4 处理同步与异步延时 64
2.7 计算模型与任务分发 70
2.8 代理模型与HLA智能体 75
2.9 分布式与决策模型 79
2.10 底层计算核心RTOS 84
2.11 分布式智能计算的价值 86
2.12 本章小结 89
第2篇计算框架
第3章 TensorFlow框架介绍 92
3.1 什么是TensorFlow 92
3.2 TensorFlow的结构和应用概念 94
3.3 Graph与并行计算模型 99
3.4 Session会话层 108
3.5 TensorFlow中的数据类型与计算函数 112
3.6 TensorFlow与卷积神经网络 120
3.7 准备TensorFlow的系统环境 128
3.8 下载和安装TensorFlow 135
3.9 启动第一个测试程序 138
3.10 使用TensorFlow构建算法框架 148
3.10.1 使用CIFAR-10构建卷积神经网络 148
3.10.2 使用RNN构建记忆网络 155
3.10.3 搭建生成对抗网络 160
3.11 TensorFlow的发展与价值 165
3.12 本章小结 166
第4章分布式智能计算核心 167
4.1 什么是SintolRTOS 167
4.2 SintolRTOS支持的组织协议体系 168
4.2.1 HLA高层联邦体系 168
4.2.2 数据分发服务 171
4.2.3 Multi-Agent体系结构 173
4.3 SintolRTOS核心组件和系统架构 176
4.3.1 Core Soft Plateform 178
4.3.2 Open Soft Plateform 182
4.4 使用SintolRTOS系统组件的工作环境 183
4.5 下载和安装SintolRTOS 183
4.6 SintolRTOS的分布式RTOSNode节点原理 191
4.7 SintolRTOS的联邦模型和文件定义 196
4.7.1 FED联邦模型文件定义 196
4.7.2 IDL主题模型文件定义 197
4.7.3 Agent代理模型定义 199
4.8 编写AI联邦模型和Agent代理 200
4.9 分布式计算层的模型与数据 204
4.9.1 重构联邦实体的处理类 204
4.9.2 DQN神经网络与PSintolSDK构建计算层 208
4.10 SintolRTOS智能计算组织Demo 213
4.10.1 Demo分布式联邦智能架构设计 213
4.10.2 使用UnrealRTOS和CSintolSDK搭建仿真演练场景 214
4.10.3 运行UnrealRTOS多智能体进行联邦对抗 217
4.11 SintolRTOS与分布式人工智能的未来 219
4.12 本章小结 220
第5章大数据与存储系统框架 221
5.1 什么是大数据 221
5.2 大数据的关键技术 222
5.3 大数据与机器学习 224
5.4 Hadoop与分布式存储框架 225
5.5 搭建Spark运行环境 228
5.6 Spark、Hadoop与TensorFlow结合 245
5.6.1 分布式的图像数据处理和识别平台 245
5.6.2 分布式机器学习与分布式数据平台 252
5.7 分布式大数据与机器学习的未来 252
5.8 本章小结 253
第3篇多智能体分布式AI算法
第6章机器学习算法与分布式改进 256
6.1 逻辑回归 256
6.2 支持向量机 263
6.3 决策树 271
6.4 分布式多算法结构的决策树 279
6.5 多任务并行计算算法改进 281
6.5.1 数据并行 282
6.5.2 模型并行 284
6.6 单体算法与分布式算法的优化 287
6.6.1 单体算法优化 287
6.6.2 分布式异步随机梯度下降 290
6.7 机器学习算法的维数灾难 293
6.8 深度学习的内在发展需求 294
6.8.1 解决维数灾难 295
6.8.2 算法架构设计 295
6.8.3 深度学习与多任务学习 297
6.9 自适应学习神经网络算法 304
6.9.1 Momentum算法与优化 305
6.9.2 RMSProp算法与优化 305
6.9.3 Adam算法与优化 307
6.10 分布式与机器学习算法规模化的发展与价值 310
6.11 本章小结 312
第7章生成网络和强化学习 314
7.1 生成对抗网络 314
7.2 深度卷积生成对抗网络 316
7.3 分布式与多智能体对抗算法MADDPG 330
7.4 常用的强化学习算法结构 336
7.5 Q-learning算法 337
7.6 Sarsa-lamba算法 346
7.6.1 Sarsa算法原理 346
7.6.2 Sarsa-lamda算法的改进 347
7.6.3 算法实现 347
7.7 深度Q网络 349
7.7.1 DQN算法原理 349
7.7.2 DQN的模型训练 350
7.7.3 训练DQN 351
7.7.4 算法实现与分析 352
7.8 其他强化学习基础算法 354
7.9 强化学习算法的发展与价值 356
7.10 本章小结 357
第8章对抗和群体智能博弈 358
8.1 群体智能的历史 358
8.2 博弈矩阵 360
8.2.1 博弈矩阵简介 360
8.2.2 博弈的线性规划和纳什均衡 363
8.2.3 博弈的学习算法 364
8.2.4 WoLF-IGA和WoLF-PHC算法 366
8.2.5 分布式博弈矩阵 368
8.2.6 学习自动机 369
8.2.7 仿真博弈环境 371
8.3 网格博弈 375
8.4 多智能体Q-learning算法 378
8.5 无限梯度上升 380
8.6 EMA Q-learning 381
8.7 仿真群智博弈环境 382
8.8 Multi-Agent系统开发 384
8.9 群体智能的发展与价值 416
8.10 本章小结 418
第4篇分布式AI智能系统开发实战
第9章体验群体智能对抗仿真环境 420
9.1 群体智能仿真系统环境介绍 420
9.2 导入多人对抗智能和仿真环境 423
9.3 启动分布式多智能体和仿真环境 432
9.4 启动人与多智能体进行对抗 434
9.5 启动数据回放 436
9.6 启动多个智能体集团博弈 439
9.7 群体博弈仿真系统环境的代码模块 441
9.8 本章小结 495
第10章开发群体智能仿真对抗系统 496
10.1 智能体强化学习的算法工程 496
10.2 算法框架模块功能说明 497
10.3 训练智能体实现任务AI交互 514
10.4 使用训练好的模型进行任务处理 518
10.5 多智能体协作算法与RTOS结合 523
10.5.1 多智能体协作算法MADDPG的应用 523
10.5.2 结合RTOS实现MADDPG的分布式结构 525
10.6 行为状态机与AI结合 529
10.7 分布式群体智能的计算与存储 531
10.8 本章小结 534
后记 535

---------------------------分布式机器学习：算法、理论与实践---------------------------

序言一
序言二
前言
作者介绍
第1章绪论/ 1
1.1 人工智能及其飞速发展/ 2
1.2 大规模、分布式机器学习/ 4
1.3 本书的安排/ 6
参考文献/ 7
第2章机器学习基础/ 9
2.1 机器学习的基本概念/ 10
2.2 机器学习的基本流程/ 13
2.3 常用的损失函数/ 16
2.3.1 Hinge损...

编辑推荐

---------------------------分布式人工智能：基于TensorFlow、RTOS与群体智能体系---------------------------
广告语：资深技术专家力作，人工智能与金融领域7位专家力荐，中国建设银行建信金融科技人工智能平台团队大力支持！全面涵盖基础概念、计算框架、分布式AI算法及AI智能系统开发
---------------------------分布式机器学习：算法、理论与实践---------------------------
适读人群：由于对机器学习模型的分布式训练已经成为产业界的**方式，计算机产业的从业者将会对本书介绍的内容有非常浓厚的兴趣（尤其因为本书有专门的章节讨论分布式机器学习的实战）全面展示分布式机器学习理论、方法与实践微软亚洲研究院机器学***团队潜心力作鄂维南院士、周志华教授倾心撰写推荐序内容前沿全面，讨论系统深刻，全彩印刷

[套装书]分布式人工智能:基于TensorFlow、RTOS与群体|8075414 pdf下载

内容简介

相关推荐

数据结构与算法刘城霞北京理工有限责任公司

智能机器时代

思科网络技术学院教程CA安全

实时数据处理和分析指南希尔皮·萨克塞纳（Shilpi