本書演示了針對幾種重要信號處理算法的最優對抗性攻擊。通過介紹無線傳感器網絡、陣列信號處理、主成分分析等方面的最優攻擊，揭示了信號處理算法對對抗性攻擊的魯棒性。由于數據質量在信號處理中至關重要，能夠毒害數據的攻擊者將對信號處理構成重大威脅。因此，研究機器學習算法在對抗性攻擊下的信號處理行為是必要和迫切的。
作者在本書中分別考察了信號處理中常用的三種機器學習算法:線性回歸、基于lasso的特征選擇和主成分分析(PCA)的對抗魯棒性。對于線性回歸，給出了最優中毒數據樣本和最優特征修正，并證明了攻擊無線分布式學習系統的有效性。作者進一步將線性回歸擴展到基于lasso的特征選擇，并研究了誤導學習系統選擇錯誤特征的最佳策略。作者通過解決一個雙級優化問題找到了最優的攻擊策略，并說明了這種攻擊如何影響陣列信號處理和天氣數據分析。最后，作者考慮了子空間學習問題的對抗魯棒性。研究了能量約束下的最優修正策略，以欺騙基于PCA的子空間學習算法。
這本書的目標是研究人員在機器學習，電子信息，和信息理論以及高級水平的學生研究這些主題。從事機器學習、對抗性機器學習、魯棒性機器學習的研發工程師，以及研究機器學習安全性和魯棒性的技術顧問都有可能購買這本書作為參考指南。
付費5元查看完整內容
相關內容
這本書為醫學學生、研究人員和專業人員提供了機器學習和醫學深度學習的基礎介紹，他們不一定在高等數學入門，但渴望更好地理解這種顛覆性技術及其對醫學的影響。人工智能(AI)曾經是計算機科學和工程部門以外的少數人知道的深奧學科，今天是一項廣泛流行的技術，被學術界的所有學者使用。特別是，近年來，醫學和生命科學領域的研究人員對機器學習和深度學習這一人工智能子領域產生了極大的興趣，這可以從過去十年同行評審醫學期刊上發表的關于該主題的文章數量的快速增長中得到證明。這一領域對優質教育資源的需求從來沒有像今天這樣大，而且只會繼續快速增長。
專家作者采用一種敘事風格，強調直覺而不是抽象的數學形式主義，消除了機器學習和深度學習周圍不必要的復雜性的面紗，使他們能夠在實用性和理論的嚴謹性之間取得微妙的平衡，以促進讀者的學習體驗。書中涉及的主題包括:醫學數據的數學編碼，線性回歸和分類，非線性特征工程，深度學習，卷積和循環神經網絡，強化學習。每一章以練習集結束，供讀者練習和測試他們的知識。
對于有興趣了解更多關于機器學習和深度學習的醫學學生、專業人士和研究人員來說，這是一個理想的介紹。在本科階段至少學過一門數學導論課程的讀者(例如，生物統計學或微積分)將能夠很好地使用本書，而不需要任何額外的先決條件。
//link.springer.com/book/10.1007/978-3-031-19502-0
付費5元查看完整內容
本書全面討論了最新的數學建模技術及其在模糊建模、信號處理、神經網絡、機器學習、圖像處理及其數值分析等各個領域的應用。進一步介紹了圖像處理技術，如用于人臉檢測的Viola-Jones方法和用于行人視頻情感的模糊方法。它將作為機械工程、電子、通信工程、計算機工程和數學領域的研究生和學術研究人員的理想參考文本。
- 討論神經網絡、機器學習、圖像處理和數學建模的應用
- 提供機器學習和基于圖像處理問題的模擬技術
- 強調疾病檢測中的人工智能和機器學習技術
- 介紹數學建模技術，如小波變換，微分方程建模，多維數據的數值技術
- 包括現實生活中的問題，以便更好地理解
這本書提出了數學建模技術，如小波變換，微分方程，和多維數據的數值技術。它將作為一個理想的參考文本研究生和學術研究人員在不同的工程領域，如機械，電子和通信，和計算機工程。
付費5元查看完整內容
超越機器學習和網絡安全博弈論的基礎，進入這一前沿領域的最新研究 在網絡安全的博弈論和機器學習中，一個專家安全研究團隊提供了一組來自適用于網絡安全的機器學習和博弈論的核心研究成果。杰出的編輯包括了解決博弈論和機器學習應用于網絡安全系統的開放研究問題的資源，并檢查了當前網絡安全博弈論模型的優勢和局限性。 讀者將探索傳統機器學習算法的漏洞，以及如何在對抗性機器學習方法中緩解這些漏洞。這本書為應用博弈論和機器學習解決網絡安全挑戰的廣泛技術問題提供了一套全面的解決方案。 從介紹博弈論、機器學習、網絡安全和網絡欺騙的基本概念開始，編輯人員為讀者提供了討論最新的超級游戲、行為博弈論、對抗性機器學習、生成對抗網絡和多智能體強化學習的資源。
讀者還將享受:
- 全面介紹了網絡欺騙的博弈論，包括在博弈論框架中識別隱形攻擊者的可擴展算法，攻擊圖上的蜜罐分配，以及網絡欺騙的行為博弈
- 對網絡安全博弈論的探索，包括針對持續和先進威脅的可操作博弈論對抗性干預檢測
- 針對網絡安全的對抗性機器學習的實際討論，包括5G安全中的對抗性機器學習和網絡物理系統中機器學習驅動的故障注入
- 網絡安全生成模型的深入研究
付費5元查看完整內容
科學用實驗來驗證關于世界的假設。統計學提供了量化這一過程的工具，并提供了將數據(實驗)與概率模型(假設)聯系起來的方法。因為世界是復雜的，我們需要復雜的模型和復雜的數據，因此需要多元統計和機器學習。具體來說，多元統計(與單變量統計相反)涉及隨機向量和隨機矩陣的方法和模型，而不僅僅是隨機單變量(標量)變量。因此，在多元統計中，我們經常使用矩陣表示法。與多元統計(傳統統計學的一個分支)密切相關的是機器學習(ML)，它傳統上是計算機科學的一個分支。過去機器學習主要集中在算法上，而不是概率建模，但現在大多數機器學習方法都完全基于統計多元方法，因此這兩個領域正在收斂。多變量模型提供了一種方法來學習隨機變量組成部分之間的依賴關系和相互作用，這反過來使我們能夠得出有關興趣的潛在機制的結論(如生物或醫學)。
兩個主要任務: 無監督學習(尋找結構，聚類) 監督學習(從標記數據進行訓練，然后進行預測)
挑戰: 模型的復雜性需要適合問題和可用數據， 高維使估計和推斷困難 計算問題。
付費5元查看完整內容
本書全面闡述了數字信號處理(DSP)的所有主要主題。為了便于理解主題，它還包含了大量的說明性示例，以鼓勵讀者對基礎知識更有信心，并獲得對DSP的見解。此外，它提出了現實世界中使用MATLAB和可編程DSP處理器的信號處理設計問題。除了需要解析解的問題之外，它還在每一章的末尾討論需要使用MATLAB解決的問題。
分為13章，它解決了許多新興的主題，這是不典型地發現在DSP上的高級文本。它包括關于在信號處理問題中使用的自適應數字濾波器的一章，以便在不斷變化的環境和不斷變化的系統要求中更快地獲得可接受的結果。此外，它提供了小波的概述，使讀者容易理解的基礎和應用這一強大的數學工具的信號和圖像處理。最后一章探討了DSP處理器，這是一個研究人員越來越感興趣的領域。對于本科生和研究生來說，這是一個寶貴的資源，它也可以用于電子、通信和計算機工程領域的研究人員、實踐工程師和科學家的自學，以及一到兩個學期的課程教學。
付費5元查看完整內容
學習使用Python分析數據和預測結果的更簡單和更有效的方法
Python機器學習教程展示了通過關注兩個核心機器學習算法家族來成功分析數據，本書能夠提供工作機制的完整描述，以及使用特定的、可破解的代碼來說明機制的示例。算法用簡單的術語解釋，沒有復雜的數學，并使用Python應用，指導算法選擇，數據準備，并在實踐中使用訓練過的模型。您將學習一套核心的Python編程技術，各種構建預測模型的方法，以及如何測量每個模型的性能，以確保使用正確的模型。關于線性回歸和集成方法的章節深入研究了每種算法，你可以使用書中的示例代碼來開發你自己的數據分析解決方案。
機器學習算法是數據分析和可視化的核心。在過去，這些方法需要深厚的數學和統計學背景，通常需要結合專門的R編程語言。這本書演示了機器學習可以如何實現使用更廣泛的使用和可訪問的Python編程語言。
使用線性和集成算法族預測結果
建立可以解決一系列簡單和復雜問題的預測模型
使用Python應用核心機器學習算法
直接使用示例代碼構建自定義解決方案
機器學習不需要復雜和高度專業化。Python使用了更簡單、有效和經過良好測試的方法，使這項技術更容易為更廣泛的受眾所接受。Python中的機器學習將向您展示如何做到這一點，而不需要廣泛的數學或統計背景。
付費5元查看完整內容
監督機器學習
·
這本書來自統計學習課程，這是一門統計機器學習的入門課程，面向具有一些微積分、線性代數和統計學背景的學生。這門課程的重點是監督學習：分類和回歸。本課程將涵蓋機器學習和數據科學中使用的一系列方法，包括:
- 線性回歸(包括嶺回歸和Lasso)
- 通過logistic回歸和k近鄰進行分類
- 線性和二次判別分析
- 回歸和分類樹(包括套袋林和隨機林)
- Boosting
- 神經網絡和深度學習
這些方法將在整個課程中被研究并應用于來自各種應用的真實數據。課程還涵蓋了一些重要的實際問題，如交叉驗證、模型選擇和偏方差權衡。課程包括理論(例如，推導和證明)以及實踐(特別是實驗室和小型項目)。實際部分將使用Python實現。
付費5元查看完整內容
簡介： 深度學習無處不在。例如，當在線使用許多應用程序甚至在購物時，都會看到它。我們被深度學習所包圍，甚至根本沒有意識到這一點，這使學習深度學習變得至關重要，因為可以利用它做很多事情，這遠遠超出了您的想象。當您學習本書時，您可以在Mac，Linux或Windows系統上運行的許多示例代碼。您也可以使用Google Colab之類的工具在線運行代碼。 本書的第一部分為您提供了一些入門信息，除了安裝一些必備軟件，還會了解一些基本數學知識。
目錄：
-
說明
-
Chapter 1：深度學習介紹
- 深度學習的意義
- 真實世界中的深度學習
- 深度學習項目的環境
-
Chapter 2：機器學習介紹
- 機器學習定義
- 思考學習的不同方法
- 機器學習的正確使用
-
Chapter 3：使用python
- anaconda
- 下載數據集與代碼
- 創建應用
- 云端使用
-
chapter 4：利用深度學習看框架
- 框架介紹
- 了解tensorflow
-
chapter 5：回顧數學與優化
- 矩陣介紹
- 理解向量，scalar等
- 優化介紹
-
chapter 6：線性回歸基礎
- 組合變量
- 混合變量類型
- 概率
- 特征介紹
-
chapter 7：神經網絡
- 感知機
- 神經網絡復雜度
- 過擬合
-
Chapter 8：構建基礎神經網絡
- 理解神經網絡
- 神經網絡的核心
-
Chapter 9：深度學習
- 數據
- 提升速度
- 解釋深度學習的不同
-
Chapter 10：解釋卷積神經網絡
-
Chapter 11：循環神經網絡
-
Chapter 12：圖片分類
-
Chapter 13：循環神經網絡
-
Chapter 14：語言處理
-
Chapter 15：生成音樂和虛擬藝術
-
Chapter 16：生成對抗網絡
-
Chapter 17：深度強化學習
-
Chapter 18：深度學習的應用
-
Chapter 19：十個必備的深度學習工具
-
Chapter 20：十個使用深度學習的場景
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191