增强深度神经网络

1星价 ¥46.8 (6.0折)

2星价￥46.8 定价￥78.0

作者：凯蒂沃尔,杜春晓译

出版社：中国电力出版社

本类榜单：计算机/网络

分类：计算机/网络 > 人工智能

暂无评论

图文详情

ISBN：9787519849641
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：256
出版时间：2020-12-01
条形码：9787519849641 ; 978-7-5198-4964-1

本书特色

让人工智能系统健壮应对对抗性攻击。随着深度神经网络(DNN)在实际应用中日益普遍，攻击者可在不引起人警觉的情况下，构造数据蓄意“欺骗” 深度神经网络，这种新型攻击向量(攻击手段)威胁到以深度神经网络为核心算法的人工智能系统的安全。本书紧贴实际，考察了深度神经网络算法的多种真实应用场景，如图像、音频和视频数据处理。本书作者探讨了对抗性攻击的意图，分析了对抗性输入对人工智能系统的威胁，并考察了现有对抗性攻击和防御方法，为增强深度神经网络，使其健壮应对对抗性攻击，做了诸多有益的探索。如果你是数据科学家，正在开发深度神经网络算法，或是安全架构师，有意提升人工智能系统应对攻击的能力，又或是对人工和生物感知的差异感兴趣，那么本书正是为你而写的。 “本书深刻揭露了人工智能系统存在的安全问题，深入分析了现有解决方案。作者是顶级数据科学家，且有着丰富的从业经验。本书是所有人工智能从业者的必读书。”——Mark BriersAlan Turing Institute项目主任及人工智能和网络安全教授 “增强你开发的神经网络，需要你佩戴对抗性眼镜。来阅读这本书吧！”——Pin-Yu ChenIBM Research AI团队的研究员让人工智能系统健壮应对对抗性攻击。

内容简介

深入深度神经网络，揭开对抗性输入如何欺骗深度神经网络。
探讨如何生成对抗性输入去攻击深度神经网络。
探索真实对抗性攻击场景和为对抗性威胁建模。
评估神经网络的健壮性；学会增强人工智能系统应对对抗性数据的能力。
考察未来几年可用哪些方式让人工智能更擅长模拟人的感知。

目录
前言 1
第1 章机器学习入门 7
本书使用的库 7
用pip 安装库 10
用conda 安装库12
第2 章机器学习流程概览 15
第3 章数据分类工作流：泰坦尼克号数据集 17
项目布局建议 17
导入 18
提出问题 19
数据术语 19
获取数据 21
清洗数据 22
创建特征 29
数据采样 31
数据插值 31
规范数据 32
重构 33
基准模型 35
不同算法族 35
模型堆叠 37
建模 38
评估模型 38
优化模型 40
混淆矩阵 41
ROC 曲线 42
学习曲线 44
部署模型 45
第4 章数据缺失 47
检查数据缺失情况 48
删除缺数据的行或列 52
插值 53
添加标识列 54
第5 章清洗数据 55
处理列名 55
替换缺失值 56
第6 章探索数据 59
数据大小 59
汇总统计 60
直方图 61
散点图 62
Joint Plot 图 63
Pair Grid 图 66
箱形图和小提琴图 68
比较两个序数型特征 69
相关性 71
RadViz 图 76
平行坐标图 78
第7 章预处理数据 81
标准化 81
调整取值范围 83
虚拟变量 84
标签编码 85
频数编码 86
从字符串抽取类别型数据 87
类别型数据的其他编码方法 89
日期特征的处理方法 91
添加col_na 特征 92
特征工程 93
第8 章特征选择 95
共线列 95
套索回归 99
递归特征消除 100
互信息 102
主成分分析 103
特征重要性 103
第9 章类别不平衡 105
采用不同度量标准 105
树模型和集成方法 105
惩罚模型 106
对小众类别上采样 106
生成小众数据 107
对大众类别下采样 107
先上采样，再下采样 109
第10 章分类 111
对数概率回归 112
朴素贝叶斯 117
支持向量机 120
k 近邻 123
决策树 126
随机森林 133
XGBoost 138
LightGBM150
TPOT 155
第11 章模型选择 161
验证曲线 161
学习曲线 163
第12 章度量标准和分类评估 165
混淆矩阵 165
度量标准 168
准确率 170
召回率 171
精准率 171
f1 值 172
分类报告 172
ROC 曲线 173
精准率- 召回率曲线 175
累积增益图 176
lift 曲线 178
类别平衡 180
类别预测错误 181
判别阈值 182
第13 章解释模型 185
回归系数 185
特征重要性 186
LIME 包186
解释树模型 188
部分依赖图 189
替代模型 193
Shapley 值 194
第14 章回归 199
基准模型 201
线性回归 202
支持向量机 206
k 近邻 208
决策树 210
随机森林 217
XGBoost 回归 220
LightGBM 回归 228
第15 章度量标准和回归模型的评估 233
度量标准 233
残差图 236
异方差性 237
残差正态性 237
预测误差图 239
第16 章解释回归模型 241
Shapley 值 241
第17 章降维技术 247
PCA 方法 247
UMAP 方法 267
t-SNE 方法 273
PHATE 方法 277
第18 章聚类 283
k-means 算法 283
层次聚类 290
理解簇 293
第19 章流水线 299
分类流水线 299
回归流水线 302
PCA 流水线 303
作者介绍 305