正版新书]机器学习开发实战(意)迪诺·埃斯波西托(Dino Esposito)

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<br /> 13.3.1  boosting的能力  170<br /> 13.3.2  梯度提升  172<br /> 13.3.3  优点与不足  175<br />13.4  本章小结  175<br />第14章  概率方法：朴素贝叶斯  177<br />14.1  贝叶斯统计简介  177<br /> 14.1.1  引入贝叶斯概率  178<br /> 14.1.2  一些初步的符号  178<br /> 14.1.3  贝叶斯定理  180<br /> 14.1.4  一个实用的代码审查<br />示例  180<br />14.2  贝叶斯统计在分类中的应用  181<br /> 14.2.1  问题的初始公式  182<br /> 14.2.2  简化的（有效的）公式  182<br /> 14.2.3  贝叶斯分类器的实践  183<br />14.3  朴素贝叶斯分类器  184<br /> 14.3.1  通用算法  184<br /> 14.3.2  多项式朴素贝叶斯  185<br /> 14.3.3  伯努利朴素贝叶斯  187<br /> 14.3.4  高斯朴素贝叶斯分类器  188<br />14.4  朴素贝叶斯回归  190<br /> 14.4.1  贝叶斯线性回归基础  190<br /> 14.4.2  贝叶斯线性回归的应用  191<br />14.5  本章小结   191<br />第15章  对数据进行分组：<br />分类与聚类  192<br />15.1  监督分类的基本方法  193<br /> 15.1.1  K-近邻算法  193<br /> 15.1.2  算法步骤  195<br /> 15.1.3  应用场景  196<br />15.2  支持向量机  197<br /> 15.2.1  算法概述  197<br /> 15.2.2  数学回顾  200<br /> 15.2.3  算法步骤  201<br />15.3  无监督聚类  205<br /> 15.3.1  一个应用实例：缩减<br />数据集  205<br /> 15.3.2  K-Means算法  205<br /> 15.3.3  K-Modes算法  207<br /> 15.3.4  DBSCAN算法  207<br />15.4  本章小结  210<br />第四部分  深度学习基础<br />第16章  前馈神经网络  212<br />16.1  神经网络简史  212<br /> 16.1.1  麦卡洛克–皮茨神经元  212<br /> 16.1.2  前馈网络  213<br /> 16.1.3  更复杂的网络  213<br />16.2  人工神经元的类型  213<br /> 16.2.1  感知机神经元  214<br /> 16.2.2  逻辑神经元  216<br />16.3  训练神经网络  218<br /> 16.3.1  整体学习策略  218<br /> 16.3.2  反向传播算法  220<br />16.4  本章小结  224<br />第17章  神经网络的设计  225<br />17.1  神经网络的各个方面  225<br /> 17.1.1  激活函数  226<br /> 17.1.2  隐层  228<br /> 17.1.3  输出层  231<br />17.2  搭建神经网络  232<br /> 17.2.1  现成的框架  232<br /> 17.2.2  你的第一个Keras<br />神经网络  234<br /> 17.2.3  神经网络与其他算法  237<br />17.3  本章小结  238<br />第18章  其他类型的神经网络  240<br />18.1  前馈神经网络的常见问题  240<br />18.2  循环神经网络  241<br /> 18.2.1  有状态神经网络的结构  241<br /> 18.2.2  LSTM神经网络  244<br />18.3  卷积神经网络  246<br /> 18.3.1  图像分类与识别  246<br /> 18.3.2  卷积层  247<br /> 18.3.3  池化层  249<br /> 18.3.4  全连接层  250<br />18.4  神经网络的进一步发展  251<br /> 18.4.1  生成对抗神经网络  251<br /> 18.4.2  自动编码器  252<br />18.5  本章小结  253<br />第19章  情感分析：端到端的<br />解决方案  255<br />19.1  为训练准备数据  256<br /> 19.1.1  问题表述  256<br /> 19.1.2  数据获取  256<br /> 19.1.3  数据操作  257<br /> 19.1.4  关于中间格式的注意<br />事项  258<br />19.2  训练模型  259<br /> 19.2.1  选择生态系统  259<br /> 19.2.2  建立单词字典  260<br /> 19.2.3  选择训练器  260<br /> 19.2.4  网络的其他方面  263<br />19.3  客户端应用  265<br /> 19.3.1  获取模型的输入  266<br /> 19.3.2  从模型中预测  267<br /> 19.3.3  将响应转化为可用<br />信息  267<br />19.4  本章小结  268<br />第五部分  思考<br />第20章  面向现实世界的AI<br />云服务  270<br />20.1  Azure认知服务  270<br />20.2  Azure Machine Learning <br />Studio  271<br />  20.2.1  Azure Machine Learning Service  274<br />  20.2.2  数据科学虚拟机  275<br />20.3  本地服务  276<br />  20.3.1  SQL Server Machine <br />Learning Services  276<br />  20.3.2  Machine Learning <br />Server  276<br />20.4  微软数据处理服务  276<br />  20.4.1  Azure数据湖  276<br />  20.4.2  Azure Databricks  277<br />  20.4.3  Azure HDInsight  278<br />  20.4.4  用于Apache Spark<br />的.NET  278<br />  20.4.5  Azure数据分享  278<br />  20.4.6  Azure数据工厂  279<br />20.5  本章小结  279<br />第21章  人工智能的商业认知  280<br />21.1  业界对AI的看法  280<br />  21.1.1  挖掘潜能  280<br />  21.1.2  AI可以为你做什么  281<br />  21.1.3  面临的挑战  282<br />21.2  端到端的解决方案  284<br />  21.2.1  我们就叫它咨询吧  284<br />  21.2.2  软件和数据科学之间<br />的界线  285<br />  21.2.3  敏捷AI  286<br />21.3  本章小结  288