机器学习开发实战（英文版）

第一部分

机器学习基础第1章

人类是如何学习的 3迈向思考型机器 4机器推理的曙光 4哥德尔不完备定理 4计算机的形式化 5迈向人类思想的形式化 5人工智能学科的诞生 6学习原理 7什么是智能软件 7神经元是如何工作的 8大棒加胡萝卜法 14应变能力 15人工智能的形式 16原始智能 16专家系统 16自治系统 19人工情感的形式 20小结 22第2章

智能软件 23应用人工智能 23

软件智能的发展 24

专家系统 25通用人工智能 27

无监督学习 27

监督学习 29小结 32第3章

映射问题和算法 33基本问题 33

对象分类 34

结果预测 36

对象分组 38更复杂的问题 40

图像分类 41

目标检测 41

文本分析 42自动机器学习 42

AutoML平台概述 42

AutoML模型构建器实战 45小结 48第4章

机器学习解决方案的一般步骤 49数据收集 50

组织中的数据驱动文化 50

存储选项 51数据准备 52

提高数据质量 53

清洗数据 53

特征工程 54

最终确定训练数据集 56模型选择及训练 58

算法速查表 59

神经网络案例 61

评估模型性能 62模型部署 64

选择合适的主机平台 64

公开API 65小结 66第5章

数据因素 67数据质量 67

数据有效性 68

数据收集 69数据完整性 70

完备性 70

唯一性 70

及时性 71

准确性 71

一致性 71什么是数据科学家 71

工作中的数据科学家 72

数据科学家的工具箱 73

数据科学家和软件开发人员 73小结 74第二部分

NET中的机器学习第6章

NET方式 77为什么用/不用Python 78

为什么Python在机器学习中如此受欢迎 78

Python机器学习库的分类 80

基于Python模型的端到端解决方案 82MLNET简介 83

在MLNET中创建和使用模型 84

学习环境的要素 87小结 91第7章

实现MLNET管道 93从数据开始 93

探索数据集 94

应用公共数据转换 94

关于数据集的注意事项 95训练步骤 96

选择算法 96

测量算法的实际值 97

计划测试阶段 97

指标预览 98从客户端应用程序中预测价格 99

获取模型文件 99

设置ASPNET应用程序 99

预测出租车费用 100

设计适当的用户界面 102

质疑数据和解决问题的方法 103小结 103第8章

MLNET任务和算法 105MLNET的整体框架 105

涉及的类型和接口 105

数据表示 107

支持的目录 109分类任务 111

二进制分类 111

多类分类 116聚类任务 122

准备工作数据 122

训练模型 123

评估模型 124迁移学习 126

建立图像分类器的步骤 127

应用必要的数据转换 127

模型的构建和训练 129

关于迁移学习的补充说明 131小结 132第三部分

浅层学习基础第9章

机器学习的数学基础 135统计数据 135

均值 136

众数 138

中位数 139偏差和方差 141

方差 142

偏差 144数据表示 145

五数概括法 145

直方图 146

散点图 148

散点图矩阵 148

以适当的比例绘制 149小结 150第10章

机器学习的度量 151统计与机器学习 151

机器学习的终极目标 152

从统计模型到机器学习模型 153机器学习模型的评价 155

从数据集到预测 155

测量模型的精度 157为处理准备数据 162

缩放 162

标准化 163

归一化 163小结 163第11章

进行简单预测：线性回归 165问题 165

用数据指导预测结果 166

对关系做假设 167线性算法 169

总体思路 169

确定代价函数 170

普通的最小二乘算法 171

梯度下降算法 174

判断算法的好坏 178改进解决方案 178

多项式方法 178

正则化 179小结 180第12章

进行复杂的预测和决策：决策树 181问题 181

什么是树 182

机器学习中的树 183

基于树的算法示例 183基于树的算法的设计原理 185

决策树与专家系统 185

树算法的种类 186分类树 187

CART算法的工作原理 187

ID3算法的工作原理 191回归树 194

算法的工作原理 194

剪枝 195小结 196第13章

进行更好的决策：集成学习算法 197问题 197bagging技术 198

随机森林算法 198

算法步骤 200

优点与缺点 202boosting技术 203

boosting的功能 203

梯度boosting 206

优点与缺点 210小结 210第14章

概率方法：朴素贝叶斯 211贝叶斯统计快速入门 211

贝叶斯概率简介 212

基本符号 212

贝叶斯定理 214

一个实用的代码审查示例 215贝叶斯统计在分类中的应用 216

问题的初始表述 217

简化的有效分子式 217

贝叶斯分类器实践 218朴素贝叶斯分类器 219

通用算法 219

多项式朴素贝叶斯 220

伯努利朴素贝叶斯 223

高斯朴素贝叶斯 224朴素贝叶斯回归 226

贝叶斯线性回归的基础 226

贝叶斯线性回归的应用 228小结 228第15章

对数据进行分组：分类与聚类 229有监督分类的基本方法 230

K–近邻算法 230

算法步骤 232

应用场景 234支持向量机 235

算法概述 235

数学知识回顾 239

算法步骤 240无监督聚类 245

应用案例：缩减数据集 245

K–均值算法 246

K–模型算法 247

DBSCAN算法 248小结 251第四部分

深度学习基础第16章

前馈神经网络 255神经网络简史 255

McCulloch-Pitt神经元 255

前馈网络 256

更复杂的网络 256人工神经元的类型 257

感知机神经元 257

逻辑神经元 260训练神经网络 263

整体学习策略 263

反向传播算法 264小结 270第17章

神经网络的设计 273神经网络概览 273

激活函数 274

隐层 277

输出层 281构建神经网络 282

现成的框架 282

你的第一个Keras神经网络 284

神经网络与其他算法 287小结 289第18章

其他类型的神经网络 291前馈神经网络的常见问题 291递归神经网络 292

有状态神经网络的结构 292

LSTM神经网络 295卷积神经网络 298

图像分类与识别 298

卷积层 299

池化层 301

全连接层 303神经网络的进一步发展 304

生成对抗神经网络 304

自动编码器 305小结 307第19章

情感分析：端到端解决方案 309为训练准备数据 310

对问题进行形式化 310

获取数据 311

处理数据 311

关于中间格式的注意事项 313训练模型 313

选择生态系统 314

建立单词字典 314

选择训练器 315

网络的其他方面 319客户端应用 321

获取模型的输入 321

从模型中预测 322

将响应转化为可用信息 323小结 323第五部分

思考第20章

面向现实世界的AI云服务 327Azure认知服务 327Azure机器学习工作室 329

Azure机器学习服务 331

数据科学虚拟机 333本地服务 333

SQL Server机器学习服务 333

机器学习服务器 334微软数据处理服务 334

Azure数据湖 334

Azure Databricks 334

Azure HDInsight 335

用于Apache Spark的NET 335

Azure数据分享 336

Azure数据工厂 336小结 336第21章

人工智能的商业愿景 339工业界对AI的看法 339

挖掘潜能 339

AI可以为你做什么 340

面临的挑战 342端到端解决方案 343

我们就叫它咨询吧 344

软件和数据科学之间的界线 344

敏捷AI 346小结 349Contents PART I LAYING THE GROUNDWORK OF MACHINE LEARNING Chapter 1 How Humans Learn 3 The Journey Toward Thinking Machines 4 The Dawn of Mechanical Reasoning 4 Godel’s Incompleteness Theorems 4 Formalization of Computing Machines 5 Towar...