人工智能和大数据时代，解决最有挑战性问题的主流方案是分布式机器学习！本书旨在全面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。 由微软亚洲研究院机器学习核心团队潜心力作！鄂维南院士、周志华教授倾心撰写推荐序！ 本书旨在全面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...(展开全部)

本书主要讲解分布式机器学习算法和开源框架，读者既可以从宏观的设计上了解分布式机器学习的概念和理论，也可以深入核心技术的细节设计中，对分布式机器学习形成深刻而直观的认识，做到学以致用。 本书共分为5篇，第1篇是分布式基础，首先介绍了分布式机器学习的概念、基础设施，以及机器学习并行化技术、框架和软件系统，然后对集合通信和参数服务器PS-Lite进行了介绍。第2篇是数据并行，以PyTorch和Horovod为主对数据并行进行分析，读者可以了解在具体工程领域内实现数据并行有哪些挑战和解决方案。第3篇是流水线并行，讲解了除模型划分之外，还通过引入额外的流水线来提高效率，以GPipe / PyTorch / PipeDream为例进行分析。第4篇是模型并行，首先对NVIDIA Megatron进行分析，讲解如何进行层内分割模型并行，然后讲解PyTorch 如何支持模型并行，最后介绍分布式优化器。第5篇是TensorFlow分布式，前面几篇以PyTorch为纲，结合其他框架/库来穿插完成，本篇带领大家进入TensorFlow分布式领域。

个性化推荐能够根据用户的历史行为显式或者隐式地挖掘用户潜在的兴趣和需求，并为其推送个性化信息，因此受到研究者的追捧及工业界的青睐，其研究具有重大的学术价值及商业应用价值，已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类旅游和娱乐类网站中。 本书内容丰富，较全面地介绍了基于协同过滤的推荐系统存在的问题、解决方法和评估策略，主要内容涉及协同过滤推荐算法中的时序技术、矩阵分解技术和社交网络信任技术等知识。 本书可供从事推荐系统、人工智能、机器学习、模式识别和信息检索等领域的科研人员及研究生阅读、参考。

通过本书，你将学到什么是分布式追踪，以及如何运用分布式追踪理解软件的运行情况。本书的主要内容有：部署分布式追踪：埋点、收集数据、分析。埋点的最Z佳实践：从你的服务中生成追踪数据的方法。在使用采样或其他技术时，如何处理开销（或避免）问题。如何使用分布式追踪改善基线性能以及快速缓解性能回归。分布式追踪的未来。

本书从软件结构的发展历史入手，通过一个简单的例子，描述了分布式架构的特性和存在的问题，并围绕这些问题展开了分析和实践。书中从为什么、是什么、怎么办这三个方面，分别讲解了分布式应用服务的拆分、分布式调用、分布式协同、分布式计算、分布式存储、分布式资源管理和调度、高性能与可用性以及指标与监控等内容，基本涵盖了分布式技术的要点。读者既可以按照逻辑联系从前往后看，也可以只阅读感兴趣的章节。

《分布式高可用算法》从原理出发，系统性地介绍了分布式系统和算法，而非介绍如何使用某种分布式框架。本书首先介绍了分布式系统是如何被建模的，以及分布式算法是如何被描述的，然后从基础的链路抽象开始逐步增加复杂度，最终将复杂的共识抽象以简单的方式呈现在读者面前。通过阅读本书，读者不仅可以掌握常用的分布式算法，还可以学到分布式算法的证明方法及适用条件，为自行设计分布式系统和算法打下坚实的基础。 《分布式高可用算法》适合分布式领域的初学者及相关从业者阅读参考。

互联网是一个分布式系统，无线通信、云计算或并行计算、多核系统、移动网络也是如此。蚁群、大脑甚至人类社会都可以被建模为分布式系统。本书强调这些分布式系统中共同涉及的主题和技术，特别是强调分布式系统设计中的一些基本问题，涵盖通信、协调、容错性、本地性、并行性、打破对称性、同步化、不确定性等。

本书是机器学习原理和算法编码实现的基础性读物，内容分为两大主线：单个算法的原理讲解和机器学习理论的发展变迁。算法除包含传统的分类、聚类、预测等常用算法之外，还新增了深度学习、贝叶斯网、隐马尔科夫模型等内容。对于每个算法，均包括提出问题、解决策略、数学推导、编码实现、结果评估几部分。数学推导力图做到由浅入深，深入浅出。结构上数学原理与程序代码一一对照，有助于降低学习门槛，加深公式的理解，起到推广和扩大机器学习的作用。

本书主要介绍一种机器学习算法——提升法，主要关注其基础理论和算法，也兼顾了应用。 全书共14章，分为4个部分。首先给出机器学习算法及其分析的概要介绍，然后第一部分重点探究了提升法的核心理论及其泛化能力。第二部分主要介绍了有助于理解和解释提升法的其他理论，包括基于博弈论的解释、贪心算法、迭代投射算法，并与信息几何学和凸优化建立了联系。第三部分主要介绍利用基于置信度的弱预测的AdaBoost算法的实用扩展，并用于解决多类别分类问题和排序问题。第四部分讨论了高级理论话题，包括AdaBoost算法、最优提升法和连续时间下的提升法之间的统计一致性。附录部分介绍了所需高级的数学概念。 本书适合对提升法感兴趣的读者，本书每章都附有练习，因此也适用于高等院校相关课程的教学。