機器學習開發(fā)實戰(zhàn)

CONTENTS
目　　錄
譯者序
前言
致謝
作者簡介
第一部分　機器學習基礎(chǔ)
第1章　人類是如何學習的　2
1.1　邁向思考型機器　2
1.1.1　機器推理的曙光　3
1.1.2　哥德爾不完備定理　3
1.1.3　計算機的形式化　3
1.1.4　邁向人類思想的形式化　4
1.1.5　人工智能學科的誕生　5
1.2　學習機理　6
1.2.1　到底什么是智能軟件　6
1.2.2　神經(jīng)元是如何工作的　7
1.2.3　胡蘿卜加大棒法
（軟硬兼施）　10
1.2.4　應(yīng)變能力　12
1.3　人工智能的形式　13
1.3.1　原始智能　13
1.3.2　專家系統(tǒng)　13
1.3.3　自治系統(tǒng)　15
1.3.4　人工的情感形式　17
1.4　本章小結(jié)　18
第2章　智能軟件　19
2.1　應(yīng)用人工智能　19
2.1.1　軟件智能的發(fā)展　19
2.1.2　專家系統(tǒng)　20
2.2　通用人工智能　22
2.2.1　無監(jiān)督學習　22
2.2.2　監(jiān)督學習　24
2.3　本章小結(jié)　26
第3章　映射問題和算法　27
3.1　基本問題　27
3.1.1　對象分類　28
3.1.2　結(jié)果預(yù)測　30
3.1.3　對象分組　31
3.2　更復(fù)雜的問題　33
3.2.1　圖像分類　33
3.2.2　目標檢測　34
3.2.3　文本分析　34
3.3　自動機器學習　35
3.3.1　AutoML平臺的
特性　35
3.3.2　運行中的AutoML Model Builder　37
3.4　本章小結(jié)　40
第4章　機器學習解決方案的
一般步驟　42
4.1　數(shù)據(jù)收集　42
4.1.1　組織中的數(shù)據(jù)驅(qū)動文化　43
4.1.2　存儲選項　44
4.2　數(shù)據(jù)準備　45
4.2.1　提高數(shù)據(jù)質(zhì)量　45
4.2.2　清理數(shù)據(jù)　46
4.2.3　特征工程　47
4.2.4　最終確定訓練數(shù)據(jù)集　48
4.3　模型選擇及訓練　50
4.3.1　算法備忘錄　51
4.3.2　神經(jīng)網(wǎng)絡(luò)案例　53
4.3.3　評估模型性能　54
4.4　模型部署　55
4.4.1　選擇合適的主機平臺　55
4.4.2　公開API　56
4.5　本章小結(jié)　56
第5章　數(shù)據(jù)因素　58
5.1　數(shù)據(jù)質(zhì)量　58
5.1.1　數(shù)據(jù)有效性　58
5.1.2　數(shù)據(jù)收集　59
5.2　數(shù)據(jù)完整性　60
5.2.1　完備性　61
5.2.2　唯一性　61
5.2.3　及時性　61
5.2.4　準確性　61
5.2.5　一致性　62
5.3　到底什么是數(shù)據(jù)科學家　62
5.3.1　工作中的數(shù)據(jù)科學家　62
5.3.2　數(shù)據(jù)科學家工具箱　63
5.3.3　數(shù)據(jù)科學家和軟件
開發(fā)人員　63
5.4　本章小結(jié)　64
第二部分　.NET中的機器學習
第6章　.NET方式　66
6.1　為什么用或不用Python　67
6.1.1　為什么在機器學習中
Python如此受歡迎　67
6.1.2　Python機器學習庫的
分類　68
6.1.3　基于Python模型的端到
端解決方案　70
6.2　ML.NET簡介　72
6.2.1　在ML.NET中創(chuàng)建和
使用模型　72
6.2.2　學習環(huán)境的要素　74
6.3　本章小結(jié)　78
第7章　實現(xiàn)ML.NET管道　79
7.1　從數(shù)據(jù)開始　79
7.1.1　探索數(shù)據(jù)集　80
7.1.2　應(yīng)用公共數(shù)據(jù)轉(zhuǎn)換　80
7.1.3　關(guān)于數(shù)據(jù)集的注意事項　81
7.2　訓練步驟　81
7.2.1　選擇算法　82
7.2.2　評估算法的性能　82
7.2.3　計劃測試階段　83
7.2.4　指標預(yù)覽　83
7.3　從客戶端應(yīng)用程序中預(yù)測價格　84
7.3.1　獲取模型文件　84
7.3.2　設(shè)置ASP.NET應(yīng)用程序　85
7.3.3　預(yù)測出租車費　85
7.3.4　設(shè)計適當?shù)挠脩艚缑妗?7
7.3.5　質(zhì)疑數(shù)據(jù)和解決問題的
方法　88
7.4　本章小結(jié)　88
第8章　ML.NET任務(wù)及算法　89
8.1　ML.NET的整體框架　89
8.1.1　涉及的類型和接口　89
8.1.2　數(shù)據(jù)表示　90
8.1.3　支持的目錄　92
8.2　分類任務(wù)　94
8.2.1　二值分類　94
8.2.2　多分類　98
8.3　聚類任務(wù)　103
8.3.1　準備工作數(shù)據(jù)　103
8.3.2　訓練模型　104
8.3.3　評估模型　105
8.4　遷移學習　107
8.4.1　建立圖像分類器的步驟　108
8.4.2　應(yīng)用必要的數(shù)據(jù)轉(zhuǎn)換　108
8.4.3　模型的構(gòu)建和訓練　110
8.4.4　關(guān)于遷移學習的補充
說明　112
8.5　本章小結(jié)　112
第三部分　淺層學習基礎(chǔ)
第9章　機器學習的數(shù)學基礎(chǔ)　114
9.1　統(tǒng)計數(shù)據(jù)　114
9.1.1　統(tǒng)計平均值　115
9.1.2　統(tǒng)計眾數(shù)　117
9.1.3　統(tǒng)計中位數(shù)　118
9.2　偏差和方差　119
9.2.1　統(tǒng)計學中的方差　120
9.2.2　統(tǒng)計學中的偏差　122
9.3　數(shù)據(jù)表示　122
9.3.1　五位數(shù)總結(jié)　122
9.3.2　直方圖　123
9.3.3　散點圖　124
9.3.4　散點圖矩陣　125
9.3.5　以適當?shù)谋壤L圖　125
9.4　本章小結(jié)　126
第10章　機器學習的度量　127
10.1　統(tǒng)計學與機器學習　127
10.1.1　機器學習的最終目標　128