2021国产观看,亚洲日韩精品无码AV海量国产精,AV在线全免费无码

內(nèi)容簡介

　　本書基于Azure Machine Learning Studio探討了現(xiàn)代數(shù)據(jù)科學算法的背景、理論和實際應用。全書共8章。第1章描述了在數(shù)據(jù)科學領(lǐng)域，Azure機器學習如何通過實現(xiàn)完全托管的數(shù)據(jù)科學云服務邁出預測分析解決方案的關(guān)鍵一步；第2章講解預測分析科學和方法論的基本概念；第3章探討Azure ML Studio的基本原理；第4章基于一個實用的Azure機器學習預測模型，探討可以用來調(diào)用Azure機器學習Web服務的客戶端和服務器應用程序的類型；第5章深入探討Azure ML Studio提供的一些復雜的機器學習算法；第6章探討數(shù)據(jù)分析的挖掘方案，包括自主數(shù)據(jù)分析、確定數(shù)據(jù)的相關(guān)性、推斷邏輯分組以及被廣泛研究的用“從樹木到森林”的算法處理混亂數(shù)據(jù)的方案；第7章介紹當今互聯(lián)網(wǎng)中*強大和被廣泛使用的預測分析的實現(xiàn)方法；第8章探索如何將“持續(xù)學習”納入到預測模型工作流的實現(xiàn)機制上。本書適合從事云計算、機器學習和數(shù)據(jù)科學相關(guān)行業(yè)的開發(fā)人員、工程師閱讀，也適合用作大專院校相關(guān)專業(yè)和培訓機構(gòu)的教學用書。

作者簡介

　　杰夫·巴恩斯（Jeff Barnes）是微軟合作伙伴企業(yè)架構(gòu)團隊的云解決方案架構(gòu)（CSA），也是該團隊的領(lǐng)導者。作為一名有17年工作經(jīng)驗的微軟老兵，杰夫·巴恩斯在零售、金融和制造行業(yè)有著非常豐富的實踐經(jīng)驗和技術(shù)經(jīng)驗，并且經(jīng)常在微軟和第三方活動上演講。他還經(jīng)常與世界各地的獨立軟件開發(fā)商以及其他合作方合作，以期能利用微軟Azure技術(shù)來滿足當前和未來組織向云計算的需求。

圖書目錄

第 1章數(shù)據(jù)科學介紹 ……………………………………………………………………1
1．1　什么是機器學習 …………………………………………………………………1
1．2　當下的機器學習風暴 ……………………………………………………………3
1．3　預測分析 …………………………………………………………………………4
1．4　無限的機器學習燃料 ……………………………………………………………4
1．5　日常生活中預測分析的例子 ……………………………………………………6
1．6　機器學習的早期歷史 ……………………………………………………………7
1．7　科幻小說變?yōu)楝F(xiàn)實 ………………………………………………………………9
1．8　總結(jié) ………………………………………………………………………………10
第　2章 Azure機器學習入門 …………………………………………………………11
2．1　Azure機器學習核心概念 …………………………………………………………11
2．2　先進的Azure機器學習工作流 ……………………………………………………12
2．3　機器學習算法 ……………………………………………………………………13
2．3．1　有監(jiān)督學習 ………………………………………………………………14
2．3．2　無監(jiān)督學習 ………………………………………………………………18
2．4　部署預測模型 ……………………………………………………………………19
2．5　Azure機器學習帶來的收益 ………………………………………………………19
2．6　是什么，是怎樣，為什么 ………………………………………………………20
2．7　總結(jié) ………………………………………………………………………………21
第3章　Azure ML Studio的使用 ……………………………………………………22
3．1　Azure機器學習術(shù)語 ………………………………………………………………22
3．2　Azure機器學習入門 ………………………………………………………………24
3．3　Azure機器學習定價和可用性 ……………………………………………………26
3．4　創(chuàng)建第一個Azure機器學習工作區(qū) ………………………………………………27
2　目錄
3．5　創(chuàng)建第一個Azure機器學習實驗 ………………………………………………31
3．6　從公共資源庫下載數(shù)據(jù)集 ………………………………………………………31
3．7　數(shù)據(jù)上傳至Azure機器學習實驗 …………………………………………………33
3．8　創(chuàng)建新的Azure機器學習實驗 ……………………………………………………34
3．9　可視化數(shù)據(jù)集 ……………………………………………………………………36
3．10　分割數(shù)據(jù)集 ……………………………………………………………………40
3．11　模型訓練 …………………………………………………………………………41
3．12　選擇預測列 ………………………………………………………………………42
3．13　模型評分 …………………………………………………………………………44
3．14　模型計算結(jié)果的可視化 …………………………………………………………45
3．15　模型評估 …………………………………………………………………………46
3．16　保存實驗 …………………………………………………………………………48
3．17　將訓練的模型發(fā)布為Web服務準備工作 ………………………………………49
3．18　創(chuàng)建評分實驗 ……………………………………………………………………52
3．19　將模型發(fā)布為Web服務 …………………………………………………………54
3．20　Azure機器學習Web服務的批處理 ……………………………………………61
3．21　測試Azure機器學習Web服務 …………………………………………………62
3．22　發(fā)布至Azure數(shù)據(jù)市場 …………………………………………………………64
3．23　總結(jié) ………………………………………………………………………………65
第4章　創(chuàng)建Azure機器學習客戶端應用程序和服務器應用程序 …………………66
4．1　為什么要創(chuàng)建Azure機器學習客戶端應用程序 …………………………………66
4．2　Azure機器學習 Web 服務的示例代碼 …………………………………………68
4．3　C# 控制臺應用程序示例代碼 ……………………………………………………70
4．4　R的示例代碼 ……………………………………………………………………75
4．5　不僅僅是簡單的客戶端 …………………………………………………………79
4．6　跨域資源共享和Azure機器學習Web服務 ………………………………………80
4．7　創(chuàng)建一個ASP．NET Azure機器學習Web客戶端 …………………………………80
4．8　讓Azure機器學習Web服務的測試變得更簡單 …………………………………83
4．8．1　用戶輸入驗證 ……………………………………………………………84
4．8．2　用ASP．NET Web API創(chuàng)建一個Web服務 …………………………………87
4．9　啟用的CORS 支持 ………………………………………………………………93
4．10　Web API Web 服務的處理邏輯 …………………………………………………96
4．11　總結(jié) ……………………………………………………………………………105
目錄　3
第5章　回歸分析 ……………………………………………………………………106
5．1　線性回歸 ………………………………………………………………………106
5．2　Azure機器學習線性回歸案例 …………………………………………………107
5．2．1　下載汽車數(shù)據(jù)集 ………………………………………………………109
5．2．2　上傳汽車數(shù)據(jù)集 ………………………………………………………110
5．2．3　創(chuàng)建汽車價格的實驗 ……………………………………………………111
5．3　總結(jié) ……………………………………………………………………………124
第6章　聚類分析 ……………………………………………………………………125
6．1　非監(jiān)督機器學習 ………………………………………………………………125
6．1．1　聚類分析 ………………………………………………………………126
6．1．2　KNN：K最近鄰算法 ……………………………………………………127
6．2　Azure ML Studio聚類模塊 ……………………………………………………127
6．2．1　聚類示例：批發(fā)客戶分組 ………………………………………………128
6．2．2　發(fā)布K-Means聚類實驗 …………………………………………………135
6．3　總結(jié) ……………………………………………………………………………142
第7章　Azure 機器學習火柴盒推薦引擎 …………………………………………144
7．1　當今推薦引擎的應用 …………………………………………………………144
7．2　推薦引擎機制 …………………………………………………………………146
7．3　Azure機器學習火柴盒推薦引擎后臺 …………………………………………146
7．4　Azure機器學習火柴盒推薦引擎：餐館評分 …………………………………148
7．5　創(chuàng)建餐館評分的推薦引擎 ……………………………………………………149
7．6　創(chuàng)建火柴盒推薦引擎Web服務 ………………………………………………156
7．7　總結(jié) ……………………………………………………………………………159
第8章　Azure機器學習模型重訓練 ………………………………………………160
8．1　重訓練Azure機器學習模型的工作流程 ………………………………………161
8．2　Azure Maching Learning Studio中的重訓練模型 ……………………………162
8．3　修改初始的訓練實驗 …………………………………………………………165
8．4　添加額外的網(wǎng)絡節(jié)點 …………………………………………………………168
8．5　批處理服務重新訓練模型 ……………………………………………………172
8．6　總結(jié)　…