3.
监督学习
navigate_next
3.1.
概述
search
Quick search
code
Show Source
GitHub
Table Of Contents
1. 序言
2. 导论
2.1. 机器学习应用
2.2. 适用读者
3. 监督学习
3.1. 概述
3.2. 小结
3.3. 参考文献
4. 无监督学习
5. 强化学习系统
5.1. 强化学习介绍
5.2. 单节点强化学习系统
5.3. 分布式强化学习系统
5.4. 多智能体强化学习
5.5. 多智能体强化学习系统
5.6. 小结
5.7. 参考文献
6. 数据处理框架
6.1. 概述
6.2. 易用性设计
6.3. 高效性设计
6.4. 保序性设计
6.5. 单机数据处理性能的扩展
6.6. 总结
6.7. 扩展阅读
7. 分布式训练
7.1. 系统概述
7.2. 分布式方法
7.3. 流水线并行
7.4. 集合通信
7.5. 参数服务器
7.6. 总结
7.7. 扩展阅读
7.8. 参考文献
8. 模型部署
8.1. 概述
8.2. 训练模型到推理模型的转换及优化
8.3. 模型压缩
8.4. 模型推理
8.5. 模型的安全保护
8.6. 总结
8.7. 扩展阅读
附录：机器学习数学原理
1. 梯度下降与反向传播
Table Of Contents
1. 序言
2. 导论
2.1. 机器学习应用
2.2. 适用读者
3. 监督学习
3.1. 概述
3.2. 小结
3.3. 参考文献
4. 无监督学习
5. 强化学习系统
5.1. 强化学习介绍
5.2. 单节点强化学习系统
5.3. 分布式强化学习系统
5.4. 多智能体强化学习
5.5. 多智能体强化学习系统
5.6. 小结
5.7. 参考文献
6. 数据处理框架
6.1. 概述
6.2. 易用性设计
6.3. 高效性设计
6.4. 保序性设计
6.5. 单机数据处理性能的扩展
6.6. 总结
6.7. 扩展阅读
7. 分布式训练
7.1. 系统概述
7.2. 分布式方法
7.3. 流水线并行
7.4. 集合通信
7.5. 参数服务器
7.6. 总结
7.7. 扩展阅读
7.8. 参考文献
8. 模型部署
8.1. 概述
8.2. 训练模型到推理模型的转换及优化
8.3. 模型压缩
8.4. 模型推理
8.5. 模型的安全保护
8.6. 总结
8.7. 扩展阅读
附录：机器学习数学原理
1. 梯度下降与反向传播
3.1.
概述
¶
Previous
3. 监督学习
Next
3.2. 小结
