类别不平衡学习是机器学习与数据挖掘领域的重要分支之一，其在很多应用领域中均发挥着重要作用。本书首先系统地介绍了与类别不平衡学习相关的一些基础概念及理论(第1、2章)，进而在上述理论的基础上，讨论了一些主流的类别不平衡学习技术及对应算法，具体包括样本采样技术(第3章)、代价敏感学习技术(第4章)、决策输出补偿技术(第5章)、集成学习技术(第6章)、主动学习技术(第7章)及一类分类技术(第8章)等。此外，也探讨了样本不平衡分布的危害预评估技术(第9章)。最后，对该领域未来的发展方向及应用前景做出了评述与展望(第10章)。 本书可作为高等院校与研究院所计算机、自动化及相关专业研究生的课外阅读书籍，也可供对机器学习及数据挖掘感兴趣的研究人员和工程技术人员阅读参考。

简介：异世界探险群像+慢节奏 一场灾难将我带入了一个未知的世界我们必须选出/献祭一人，以获得逃生的机会有人自告奋勇 一切都在向着最好的方向发展但事实确实如此吗？

简介：异世界探险群像+慢节奏 一场灾难将我带入了一个未知的世界我们必须选出/献祭一人，以获得逃生的机会有人自告奋勇 一切都在向着最好的方向发展但事实确实如此吗？

尼尔·史密斯的这本代表作（第3版）对贫穷之于财富、工业化的城市之于衰退的农村如何塑造了景观的不平衡发展，资本主义制度史上特定的自然与空间如何进行再生产等问题进行了基于新马克思主义的明确阐述，从而成功解释了当代有关环境、政治与社会领域互相纠缠的众多问题，成为这一领域不可多得的经典之作。爱德华·萨义德称它是一个“富有才华的构想”。

尼尔•史密斯（Neil Smith），1954年生于英国爱丁堡，纽约城市大学人类学和地理学杰出教授，美国地理学家协会杰出学者，2012年9月28日病逝。研究领域集中于城市士绅化、城市租隙、自然的生产、不平衡地理发展、空间规模和全球化，被誉为“士绅化和租隙理论之父”。《不平衡发展》是史密斯的代表作，亦是当代人文地理学名著。

尼尔·史密斯的这本代表作（第3版）对贫穷之于财富、工业化的城市之于衰退的农村如何塑造了景观的不平衡发展，资本主义制度史上特定的自然与空间如何进行再生产等问题进行了基于新马克思主义的明确阐述，从而成功解释了当代有关环境、政治与社会领域互相纠缠的众多问题，成为这一领域不可多得的经典之作。爱德华·萨义德称它是一个“富有才华的构想”。

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)

《细说PyTorch深度学习：理论、算法、模型与编程实现》由业界专家编撰，采用理论描述加代码实践的思路，详细介绍PyTorch的理论知识及其在深度学习中的应用。全书分为两篇，共16章。第一篇为基础知识，主要介绍PyTorch的基本知识、构建开发环境、卷积网络、经典网络、模型保存和调用、网络可视化、数据加载和预处理、数据增强等内容；第二篇为高级应用，主要介绍数据分类、迁移学习、人脸检测和识别、生成对抗网络、目标检测、ViT等内容。本书内容涵盖PyTorch从入门到深度学习的各个方面，是一本基础应用与案例实操相结合的参考书。 《细说PyTorch深度学习：理论、算法、模型与编程实现》理论兼备实例，深入浅出，适合PyTorch初学者使用，也可以作为理工科高等院校本科生、研究生的教学用书，还可作为相关科研工程技术人员的参考书。

本书是目前国内独本系统性阐述集成学习的著作。 集成学习的思路是通过结合多个学习器来解决问题，它在实践中大获成功——人称“从业者应学应会的大杀器”之一。 化繁为简：将复杂的原理简化为易于理解的表达，通俗易懂； 结构合理：兼具广度与深度。既阐述该领域的重要话题，又详释了重要算法的实现并辅以伪代码，更易上手； 注重实践：阐述集成学习在多个领域的应用，如计算机视觉、医疗、信息安全和数据挖掘竞赛等； 拓展阅读：提供丰富的参考资料，读者可按图索骥、自行深入学习； 新手通过本书很容易理解并掌握集成学习的思路与精粹； 老手通过本书能学会不少技巧并深化对集成学习的理论理解，更好地指导研究和实践。 集成学习方法是一类先进的机器学习方法，这类方法训练多个学习器并将它们结合起来解决一个问题，在实践中获得了巨大成功。 《集成学习：基础与算法》分为三部分。第一部分主要介绍集成学...(展开全部)

数据孤岛问题已经成为制约人工智能发展的主要阻碍。在此背景下，联邦学习（Federated Learning）作为一种新兴的机器学习技术范式，凭借其突出的隐私保护能力，展示出在诸多业务场景中的应用价值。本书从联邦学习的基础知识出发，深入浅出地介绍了中央服务器优化和联邦机器学习的算法体系，详细阐述了联邦学习中涉及的加密通信模块的相关知识，以定性和定量的双视角建立了联邦学习服务质量的评估维度、理论体系，还延伸介绍了提升联邦学习服务质量的方法，并对联邦学习的研究趋势进行了深入探讨与分析，可以对设计和选择算法提供工具式的参考和帮助。本书是高校、科研院所和业界相关学者研究联邦学习技术的理想读本，也适合大数据、人工智能行业的从业者和感兴趣的读者参考。