序言一
序言二
前言
作者介绍
第1章 绪论
1.1 人工智能及其飞速发展
1.2 大规模、分布式机器学习
1.3 本书的安排
参考文献
第2章 机器学习基础
2.1 机器学习的基本概念
2.2 机器学习的基本流程
2.3 常用的损失函数
2.3.1 Hinge损失函数
2.3.2 指数损失函数
2.3.3 交叉熵损失函数
2.4 常用的机器学习模型
2.4.1 线性模型
2.4.2 核方法与支持向量机
2.4.3 决策树与Boosting
2.4.4 神经网络
2.5 常用的优化方法
2.6 机器学习理论
2.6.1 机器学习算法的泛化误差
2.6.2 泛化误差的分解
2.6.3 基于容度的估计误差的上界
2.7 总结
参考文献
第3章 分布式机器学习框架
3.1 大数据与大模型的挑战
3.2 分布式机器学习的基本流程
3.3 数据与模型划分模块
3.4 单机优化模块
3.5 通信模块
3.5.1 通信的内容
3.5.2 通信的拓扑结构
3.5.3 通信的步凋
3.5.4 通信的频率
3.6 数据与模型聚合模块
3.7 分布式机器学习理沦
3.8 分布式机器学习系统
3.9 总结
参考文献
第4章 单机优化之确定性算法
4.1 基本概述
4.1.1 机器学习的优化框架
……
第5章 单机优化之随机算法
第6章 数据与模型并行
第7章 通信机制
第8章 数据与模型聚合
第9章 分布式及其学习算法
第10章 分布式机器学习理论
第11章 分布式机器学习系统
第12章 结语
索引

刘铁岩、陈薇、王太峰、高飞著的《分布式机器学习(算法理论与实践)/智能科学与技术丛书》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所组合出来的各式各样的分布式机器学习算法，第10章讨论这些算法的理论性质，第11章则介绍几个主流的分布式机器学习系统（包括Spark MLlib迭代式MapReduce系统，Multiverso参数服务器系统，TensorFlow数据流系统）。最后的第12章是全书的结语，在对全书内容进行简要总结之后，着重讨论分布式机器学习这个领域未来的发展方向。
本书基于微软亚洲研究院机器学习研究团队多年的研究成果和实践经验写成，既可以作为研究生从事分布式机器学习方向研究的参考文献，也可以作为人工智能从业者进行算法选择和系统设计的工具书。