跨平臺(tái)機(jī)器學(xué)習(xí)：ML.NET架構(gòu)及應(yīng)用編程

 
第1章 人工智能軟件 001
第2章　透視ML.NET架構(gòu) 011
第3章　ML.NET基礎(chǔ) 033
第4章　預(yù)測(cè)任務(wù) 055
第5章　分類任務(wù) 091
第6章　聚類任務(wù) 125
第7章　異常檢查任務(wù) 149
第8章　預(yù)測(cè)任務(wù) 177
第9章　推薦任務(wù) 199
第10章　圖像分類任務(wù) 219
第11章　神經(jīng)網(wǎng)絡(luò)概述 237
第12章　用于識(shí)別護(hù)照的神經(jīng)網(wǎng)絡(luò) 255
附錄　模型的可解釋性  271
詳 細(xì) 目 錄
第1章　人工智能軟件 001
1.1　軟件的源起 002
1.1.1　計(jì)算機(jī)的形式化 002
1.1.2　計(jì)算機(jī)工程設(shè)計(jì) 003
1.1.3　人工智能的誕生 004
1.1.4　作為副作用的軟件 004
1.2　軟件在今天的作用 005
1.2.1　自動(dòng)化任務(wù) 006
1.2.2　反映現(xiàn)實(shí)世界 007
1.2.3　賦能用戶 008
1.3　人工智能如同軟件 008
第2章　透視ML.NET架構(gòu) 011
2.1　Python與機(jī)器學(xué)習(xí) 012
2.1.1　Python為什么在機(jī)器學(xué)習(xí)中如此受歡迎 012
2.1.2　Python機(jī)器學(xué)習(xí)庫(kù)的分類 013
2.1.3　Python模型頂部的端到端方案 016
2.2　ML.NET概述 017
2.2.1　ML.NET中的學(xué)習(xí)管道 018
2.2.2　模型訓(xùn)練執(zhí)行摘要 024
2.3　使用訓(xùn)練好的模型 028
2.3.1　使模型可從外部調(diào)用 029
2.3.2　其他部署場(chǎng)景 030
2.3.3　從數(shù)據(jù)科學(xué)到編程 030
2.4　小結(jié) 031
第3章　ML.NET基礎(chǔ) 033
3.1　通往數(shù)據(jù)工程 033
3.1.1　數(shù)據(jù)科學(xué)家的角色 034
3.1.2　數(shù)據(jù)工程師的角色 035
3.1.3　機(jī)器學(xué)習(xí)工程師的角色 036
3.2　從什么數(shù)據(jù)開始 037
3.2.1　理解可用的數(shù)據(jù) 037
3.2.2　構(gòu)建數(shù)據(jù)處理管道 040
3.3　訓(xùn)練步驟 043
3.3.1　選擇算法 044
3.3.2　衡量算法的實(shí)際價(jià)值 045
3.3.3　計(jì)劃測(cè)試階段 046
3.3.4　關(guān)于指標(biāo) 047
3.4　在客戶端應(yīng)用程序中使用模型 048
3.4.1　獲取模型文件 049
3.4.2　完整項(xiàng)目 049
3.4.3　預(yù)測(cè)打車費(fèi)用 050
3.4.4　可伸縮性的考慮 052
3.4.5　設(shè)計(jì)恰當(dāng)?shù)挠脩艚缑?053
3.5　小結(jié) 054
第4章　預(yù)測(cè)任務(wù) 055
4.1　管道和評(píng)估器鏈 056
4.1.1　數(shù)據(jù)視圖 056
4.1.2　轉(zhuǎn)換器 057
4.1.3　估算器 058
4.1.4　管道 059
4.2　回歸ML任務(wù) 059
4.2.1　ML任務(wù)的常規(guī)方面 060
4.2.2　支持的回歸算法 060
4.2.3　支持的校驗(yàn)技術(shù) 063
4.3　使用回歸任務(wù) 066
4.3.1　可用的訓(xùn)練數(shù)據(jù) 066
4.3.2　特征工程 071
4.3.3　訪問數(shù)據(jù)庫(kù)內(nèi)容 074
4.3.4　合成訓(xùn)練管道 077
4.4　機(jī)器學(xué)習(xí)深入思考 087
4.4.1　簡(jiǎn)單線性回歸 087
4.4.2　非線性回歸 088
4.5　小結(jié) 089
第5章　分類任務(wù) 091
5.1　二分類機(jī)器學(xué)習(xí)任務(wù) 091
5.1.1　支持的算法 092
5.1.2　支持的驗(yàn)證技術(shù) 094
5.2　情感分析的二分類 094
5.2.1　了解可用的訓(xùn)練數(shù)據(jù) 094
5.2.2　特征工程 098
5.2.3　合成訓(xùn)練管道 101
5.3　多分類ML任務(wù) 106
5.4　使用多分類任務(wù) 110
5.4.1　了解可用的數(shù)據(jù) 110
5.4.2　合成訓(xùn)練管道 113
5.5　機(jī)器學(xué)習(xí)深入思考 121
5.5.1　分類的多面性 121
5.5.2　情感分析的另一個(gè)視角 122
5.6　小結(jié) 123
第6章　聚類任務(wù) 125
6.1　聚類ML任務(wù) 125
6.1.1　無監(jiān)督學(xué)習(xí) 126
6.1.2　了解可用的訓(xùn)練數(shù)據(jù) 126
6.1.3　特征工程 131
6.1.4　聚類算法 132
6.1.5　合成訓(xùn)練管道 137
6.1.6　設(shè)置客戶端應(yīng)用程序 139
6.2　機(jī)器學(xué)習(xí)深入思考  143
6.2.1　第一步始終是聚類分析 144
6.2.2　數(shù)據(jù)集的無監(jiān)督縮減 145
6.3　小結(jié) 147
第7章　異常檢查任務(wù) 149
7.1　什么是異常 149
7.2　檢查異常情況的常規(guī)方法 150
7.2.1　時(shí)間序列數(shù)據(jù) 150
7.2.2　統(tǒng)計(jì)技術(shù)  153
7.2.3　機(jī)器學(xué)習(xí)方法 154
7.3　異常檢查ML任務(wù) 157
7.3.1　了解可用的訓(xùn)練數(shù)據(jù) 157
7.3.2　合并訓(xùn)練管道 160
7.3.3　設(shè)置客戶端應(yīng)用程序 167
7.4　機(jī)器學(xué)習(xí)深入思考 171
7.4.1　預(yù)測(cè)性維護(hù)  172
7.4.2　金融詐騙 174
7.5　小結(jié) 175
第8章　預(yù)測(cè)任務(wù) 177
8.1　預(yù)測(cè)未來 177
8.1.1　簡(jiǎn)單預(yù)測(cè)方法 178
8.1.2　預(yù)測(cè)的數(shù)學(xué)基礎(chǔ) 178
8.1.3　常見的分解算法 180
8.1.4　SSA算法 181
8.2　 預(yù)測(cè)ML任務(wù) 183
8.2.1　了解可用的數(shù)據(jù)  183
8.2.2　合成訓(xùn)練管道 185
8.2.3　設(shè)置客戶端應(yīng)用程序  190
8.3　機(jī)器學(xué)習(xí)深入思考 193
8.3.1　不是公園里的隨機(jī)漫步 194
8.3.2　時(shí)間序列的其他方法  194
8.3.3　電力生產(chǎn)預(yù)測(cè)  195
8.4　小結(jié) 198
第9章　推薦任務(wù) 199
9.1　深入信息檢索系統(tǒng) 200
9.1.1　排名的基本藝術(shù)  201
9.1.2　推薦的靈活藝術(shù)  201
9.1.3　協(xié)同過濾的精妙藝術(shù) 203
9.2　ML推薦任務(wù) 204
9.2.1　了解可用的數(shù)據(jù)  204
9.2.2　合成訓(xùn)練管道 208
9.2.3　設(shè)置客戶端應(yīng)用程序 212
9.3　機(jī)器學(xué)習(xí)深入思考 215
9.3.1　如果喜歡奈飛 215
9.3.2　如果你不喜歡奈飛 216
9.4　小結(jié) 217
第10章　圖像分類任務(wù) 219
10.1　遷移學(xué)習(xí) 220
10.1.1　流行的圖像處理神經(jīng)網(wǎng)絡(luò)  220
10.1.2　其他圖像神經(jīng)網(wǎng)絡(luò)  220
10.2　通過合成進(jìn)行遷移學(xué)習(xí) 221
10.2.1　ML.NET中的遷移學(xué)習(xí)模式 221
10.2.2　新的圖像分類器的總體目標(biāo) 222
10.2.3　了解可用的數(shù)據(jù)  223
10.2.4　合成訓(xùn)練管道 226
10.2.5　設(shè)置客戶端應(yīng)用程序 228
10.3　ML圖像分類任務(wù) 230
10.3.1　圖像分類API 231
10.3.2　使用圖像分類API 232
10.4　機(jī)器學(xué)習(xí)深入思考 233
10.4.1　人腦的魔法 233
10.4.2　人工打造的神經(jīng)網(wǎng)絡(luò)  234
10.4.3　重新訓(xùn)練 235
10.5　小結(jié) 235
第11章　神經(jīng)網(wǎng)絡(luò)概述 237
11.1　前饋神經(jīng)網(wǎng)絡(luò) 237
11.1.1　人工神經(jīng)元  238
11.1.2　網(wǎng)絡(luò)的層級(jí)  240
11.1.3　Logistic神經(jīng)元  241
11.1.4　訓(xùn)練神經(jīng)網(wǎng)絡(luò)  243
11.2　更復(fù)雜的神經(jīng)網(wǎng)絡(luò) 246
11.2.1　有狀態(tài)神經(jīng)網(wǎng)絡(luò) 246
11.2.2　卷積神經(jīng)網(wǎng)絡(luò) 249
11.2.3　自動(dòng)編碼器 252
11.3　小結(jié) 253
第12章　用于識(shí)別護(hù)照的神經(jīng)網(wǎng)絡(luò) 255
12.1　使用Azure認(rèn)知服務(wù) 255
12.1.1　問題的剖析和解決方案 256
12.1.2　與ID表單識(shí)別器協(xié)同工作 257
12.2　自己動(dòng)手打造神經(jīng)網(wǎng)絡(luò) 261
12.2.1　神經(jīng)網(wǎng)絡(luò)的拓?fù)? 262
12.2.2　訓(xùn)練時(shí)的麻煩 267
12.3　機(jī)器學(xué)習(xí)深入思考 268
12.3.1　商品和垂直解決方案  269
12.3.2　什么時(shí)候只能使用定制解決方案 269
12.4　小結(jié) 270
附錄　模型的可解釋性  271