正版 机器学习开发实战

CONTENTS<br />目    录<br />译者序<br />前言<br />致谢<br />作者简介<br />第一部分  机器学习基础<br />第1章  人类是如何学习的  2<br />1.1  迈向思考型机器  2<br />1.1.1  机器推理的曙光  3<br />1.1.2  哥德尔不完备定理  3<br />1.1.3  计算机的形式化  3<br />1.1.4  迈向人类思想的形式化  4<br />1.1.5  人工智能学科的诞生  5<br />1.2  学习机理  6<br />1.2.1  到底什么是智能软件  6<br />1.2.2  神经元是如何工作的  7<br />1.2.3  胡萝卜加大棒法<br />（软硬兼施）  10<br />1.2.4  应变能力  12<br />1.3  人工智能的形式  13<br />1.3.1  原始智能  13<br />1.3.2  专家系统  13<br />1.3.3  自治系统  15<br />1.3.4  人工的情感形式  17<br />1.4  本章小结  18<br />第2章  智能软件  19<br />2.1  应用人工智能  19<br />2.1.1  软件智能的发展  19<br />2.1.2  专家系统  20<br />2.2  通用人工智能  22<br />2.2.1  无监督学习  22<br />2.2.2  监督学习  24<br />2.3  本章小结  26<br />第3章  映射问题和算法  27<br />3.1  基本问题  27<br />3.1.1  对象分类  28<br />3.1.2  结果预测  30<br />3.1.3  对象分组  31<br />3.2  更复杂的问题  33<br />3.2.1  图像分类  33<br />3.2.2  目标检测  34<br />3.2.3  文本分析  34<br />3.3  自动机器学习  35<br />3.3.1  AutoML平台的<br />特性  35<br />3.3.2  运行中的AutoML Model Builder  37<br />3.4  本章小结  40<br />第4章  机器学习解决方案的<br />一般步骤  42<br />4.1  数据收集  42<br />4.1.1  组织中的数据驱动文化  43<br />4.1.2  存储选项  44<br />4.2  数据准备  45<br />4.2.1  提高数据质量  45<br />4.2.2  清理数据  46<br />4.2.3  特征工程  47<br />4.2.4  最终确定训练数据集  48<br />4.3  模型选择及训练  50<br />4.3.1  算法备忘录  51<br />4.3.2  神经网络案例  53<br />4.3.3  评估模型性能  54<br />4.4  模型部署  55<br />4.4.1  选择合适的主机平台  55<br />4.4.2  公开API  56<br />4.5  本章小结  56<br />第5章  数据因素  58<br />5.1  数据质量  58<br />5.1.1  数据有效性  58<br />5.1.2  数据收集  59<br />5.2  数据完整性  60<br />5.2.1  完备性  61<br />5.2.2  专享性  61<br />5.2.3  及时性  61<br />5.2.4  准确性  61<br />5.2.5  一致性  62<br />5.3  到底什么是数据科学家  62<br />5.3.1  工作中的数据科学家  62<br />5.3.2  数据科学家工具箱  63<br />5.3.3  数据科学家和软件<br />开发人员  63<br />5.4  本章小结  64<br />第二部分  .NET中的机器学习<br />第6章  .NET方式  66<br />6.1  为什么用或不用Python  67<br />6.1.1  为什么在机器学习中<br />Python如此受欢迎  67<br />6.1.2  Python机器学习库的<br />分类  68<br />6.1.3  基于Python模型的端到<br />端解决方案  70<br />6.2  ML.NET简介  72<br />6.2.1  在ML.NET中创建和<br />使用模型  72<br />6.2.2  学习环境的要素  74<br />6.3  本章小结  78<br />第7章  实现ML.NET管道  79<br />7.1  从数据开始  79<br />7.1.1  探索数据集  80<br />7.1.2  应用公共数据转换  80<br />7.1.3  关于数据集的注意事项  81<br />7.2  训练步骤  81<br />7.2.1  选择算法  82<br />7.2.2  评估算法的性能  82<br />7.2.3  计划测试阶段  83<br />7.2.4  指标预览  83<br />7.3  从客户端应用程序中预测价格  84<br />7.3.1  获取模型文件  84<br />7.3.2  设置ASP.NET应用程序  85<br />7.3.3  预测出租车费  85<br />7.3.4  设计适当的用户界面  87<br />7.3.5  质疑数据和解决问题的<br />方法  88<br />7.4  本章小结  88<br />第8章  ML.NET任务及算法  89<br />8.1  ML.NET的整体框架  89<br />8.1.1  涉及的类型和接口  89<br />8.1.2  数据表示  90<br />8.1.3  支持的目录  92<br />8.2  分类任务  94<br />8.2.1  二值分类  94<br />8.2.2  多分类  98<br />8.3  聚类任务  103<br />8.3.1  准备工作数据  103<br />8.3.2  训练模型  104<br />8.3.3  评估模型  105<br />8.4  迁移学习  107<br />8.4.1  建立图像分类器的步骤  108<br />8.4.2  应用必要的数据转换  108<br />8.4.3  模型的构建和训练  110<br />8.4.4  关于迁移学习的补充<br />说明  112<br />8.5  本章小结  112<br />第三部分  浅层学习基础<br />第9章  机器学习的数学基础  114<br />9.1  统计数据  114<br />9.1.1  统计平均值  115<br />9.1.2  统计众数  117<br />9.1.3  统计中位数  118<br />9.2  偏差和方差  119<br />9.2.1  统计学中的方差  120<br />9.2.2  统计学中的偏差  122<br />9.3  数据表示  122<br />9.3.1  五位数总结  122<br />9.3.2  直方图  123<br />9.3.3  散点图  124<br />9.3.4  散点图矩阵  125<br />9.3.5  以适当的比例绘图  125<br />9.4  本章小结  126<br />第10章  机器学习的度量  127<br />10.1  统计学与机器学习  127<br /> 10.1.1  机器学习的最终目标  128<br /> 10.1.2  从统计模型到机器学习<br />模型  129<br />10.2  机器学习模型的评价  130<br /> 10.2.1  从数据集到预测  131<br /> 10.2.2  测量模型的精度  132<br />10.3  准备处理数据  136<br /> 10.3.1  缩放  136<br /> 10.3.2  标准化  137<br /> 10.3.3  归一化  137<br />10.4  本章小结  137<br />第11章  如何进行简单预测：<br />线性回归  138<br />11.1  问题  138<br /> 11.1.1  根据数据指导预测结果  138<br /> 11.1.2  对关系进行假设  139<br />11.2  线性算法  141<br /> 11.2.1  总体思路  141<br /> 11.2.2  确定代价函数  142<br /> 11.2.3  普通的最小二乘算法  143<br /> 11.2.4  梯度下降算法  146<br /> 11.2.5  算法有多好  149<br />11.3  改进解决方案  149<br /> 11.3.1?多项式方法  149<br /> 11.3.2  正则化  150<br />11.4  本章小结  151<br />第12章  如何做出复杂的预测与<br />决定：决策树  152<br />12.1  问题  152<br /> 12.1.1  什么是树  153<br /> 12.1.2  机器学习中的树  153<br /> 12.1.3  基于树的算法示例  154<br />12.2  基于树的算法的设计原理  155<br /> 12.2.1  决策树与专家系统  155<br /> 12.2.2  树算法的种类  155<br />12.3  分类树  157<br /> 12.3.1  CART算法的实现  157<br /> 12.3.2  ID3算法的实现  160<br />12.4  回归树  162<br /> 12.4.1  算法的实现  162<br /> 12.4.2  剪枝  163<br />12.5  本章小结  164<br />第13章  如何做出更好的决策：<br />集成方法  165<br />13.1  问题  165<br />13.2  bagging技术  166<br /> 13.2.1  随机森林算法  166<br /> 13.2.2  算法步骤  168<br /> 13.2.3  优点与不足  169<br />13.3  boosting技术  170&

本书是机器学习入门书籍，面向需要提升数据科学技能的开发人员和需要提升编程技能的数据科学家，涵盖了从机器学习基础概念到完整解决方案的各个方面。本书共分为五个部分，主要内容包括人工智能基础知识、实现机器学习解决方案的步骤、微软的ML.NET库、实用的机器学习算法、神经网络、AI云服务等，并且免费提供使用ML.NET库构建的代码示例。