機(jī)器學(xué)習(xí)測(cè)試入門(mén)與實(shí)踐

定　價(jià)：￥118.00

作　者：	艾輝著
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥87.84)

ISBN：	9787115544438	出版時(shí)間：	2020-10-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)全面且系統(tǒng)地介紹了機(jī)器學(xué)習(xí)測(cè)試技術(shù)與質(zhì)量體系建設(shè)，分為5部分，共15章。第一部分（第1～4章）涵蓋了機(jī)器學(xué)習(xí)、Python編程、數(shù)據(jù)分析的基礎(chǔ)知識(shí)；第二部分（第5～7章）介紹了大數(shù)據(jù)基礎(chǔ)、大數(shù)據(jù)測(cè)試指南及相關(guān)工具實(shí)踐；第三部分（第8～10章）講解了機(jī)器學(xué)習(xí)測(cè)試基礎(chǔ)、特征專項(xiàng)測(cè)試及模型算法評(píng)估測(cè)試；第四部分（第11～13章）介紹了模型評(píng)估平臺(tái)實(shí)踐、機(jī)器學(xué)習(xí)工程技術(shù)及機(jī)器學(xué)習(xí)的持續(xù)交付流程；第五部分（第14章和第15章）探討了AI（Artificial Intelligence）在測(cè)試領(lǐng)域的實(shí)踐及AI時(shí)代測(cè)試工程師的未來(lái)。本書(shū)能夠幫助讀者了解機(jī)器學(xué)習(xí)是如何工作的，了解機(jī)器學(xué)習(xí)的質(zhì)量保障是如何進(jìn)行的。工程開(kāi)發(fā)人員和測(cè)試工程師通過(guò)閱讀本書(shū)，可以系統(tǒng)化地了解大數(shù)據(jù)測(cè)試、特征測(cè)試及模型評(píng)估等知識(shí)；算法工程師通過(guò)閱讀本書(shū)，可以學(xué)習(xí)模型評(píng)測(cè)的方法和拓寬模型工程實(shí)踐的思路；技術(shù)專家和技術(shù)管理者通過(guò)閱讀本書(shū)，可以了解機(jī)器學(xué)習(xí)質(zhì)量保障與工程效能的建設(shè)方案。

作者簡(jiǎn)介

　　艾輝，中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院碩士，融 360 高級(jí)技術(shù)經(jīng)理。主要負(fù)責(zé)機(jī)器學(xué)習(xí)產(chǎn)品的質(zhì)量保障工作，曾在餓了么公司擔(dān)任高級(jí)技術(shù)經(jīng)理，負(fù)責(zé)用戶產(chǎn)品、新零售產(chǎn)品的質(zhì)量保障工作。有 8 年多的測(cè)試開(kāi)發(fā)工作經(jīng)驗(yàn)，曾多次受邀在行業(yè)技術(shù)大會(huì)（如 MTSC、GITC、NCTS、TiD、A2M 等）上做主題分享。對(duì)大數(shù)據(jù)、機(jī)器學(xué)習(xí)測(cè)試技術(shù)有深刻的理解，并長(zhǎng)期專注于質(zhì)量保障與工程效能研究。陳高飛，東北大學(xué)計(jì)算機(jī)碩士，融 360 測(cè)試開(kāi)發(fā)工程師。主要從事機(jī)器學(xué)習(xí)方面的測(cè)試開(kāi)發(fā)工作。擅長(zhǎng)白盒測(cè)試、大數(shù)據(jù)測(cè)試和模型測(cè)試，在工具平臺(tái)開(kāi)發(fā)方面有豐富的實(shí)踐經(jīng)驗(yàn)。陳花，北京郵電大學(xué)信息通信工程學(xué)院碩士，融 360 高級(jí)測(cè)試開(kāi)發(fā)工程師。主要從事服務(wù)器端測(cè)試開(kāi)發(fā)工作，主導(dǎo)過(guò)多個(gè)大型項(xiàng)目的測(cè)試。擅長(zhǎng)白盒測(cè)試、安全測(cè)試、自動(dòng)化測(cè)試及工具開(kāi)發(fā)。方娟紅，東北大學(xué)計(jì)算機(jī)碩士，融 360 測(cè)試開(kāi)發(fā)工程師。主要從事服務(wù)器端測(cè)試開(kāi)發(fā)工作。在企業(yè)級(jí)應(yīng)用的測(cè)試和開(kāi)發(fā)方面有著豐富的實(shí)踐經(jīng)驗(yàn)。郭學(xué)敏，西安電子科技大學(xué)電子工程學(xué)院碩士，融 360 測(cè)試開(kāi)發(fā)工程師。主要負(fù)責(zé)機(jī)器學(xué)習(xí)方面的測(cè)試開(kāi)發(fā)工作，主導(dǎo)過(guò)多個(gè)大型項(xiàng)目的測(cè)試。擅長(zhǎng)大數(shù)據(jù)測(cè)試、特征分析與模型評(píng)估，且在特征工程測(cè)試方面有著豐富的實(shí)踐經(jīng)驗(yàn)。郝嶸，北京信息科技大學(xué)自動(dòng)化學(xué)院碩士，融 360 測(cè)試開(kāi)發(fā)工程師。從事 Python 開(kāi)發(fā)、機(jī)器學(xué)習(xí)測(cè)試、大數(shù)據(jù)測(cè)試工作多年，在大數(shù)據(jù)的質(zhì)量保障及測(cè)試工具開(kāi)發(fā)方面有著豐富的實(shí)踐經(jīng)驗(yàn)。雷天鳴，哈爾濱理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系碩士，融 360 測(cè)試開(kāi)發(fā)工程師。主要從事機(jī)器學(xué)習(xí)方向的測(cè)試開(kāi)發(fā)工作。擅長(zhǎng)大數(shù)據(jù)測(cè)試、特征測(cè)試及模型算法評(píng)測(cè)等，且對(duì)金融風(fēng)控業(yè)務(wù)有深刻的理解。李曼曼，融 360 高級(jí)測(cè)試開(kāi)發(fā)工程師。有近 10 年測(cè)試領(lǐng)域從業(yè)經(jīng)驗(yàn)，擅長(zhǎng)白盒測(cè)試、性能測(cè)試、自動(dòng)化測(cè)試、持續(xù)集成及工程效能。在 AI 測(cè)試方面有一定的探索實(shí)踐。李雪，西安電子科技大學(xué)通信工程碩士，融 360 測(cè)試開(kāi)發(fā)工程師。主要從事平臺(tái)及機(jī)器學(xué)習(xí)方面的測(cè)試開(kāi)發(fā)工作。擅長(zhǎng)自動(dòng)化測(cè)試、性能測(cè)試及安全測(cè)試，且對(duì)特征測(cè)試分析有著豐富的實(shí)踐經(jīng)驗(yàn)。孫金娟，山西財(cái)經(jīng)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)學(xué)士，融 360 測(cè)試開(kāi)發(fā)工程師。有近 8 年 Java 開(kāi)發(fā)、測(cè)試開(kāi)發(fā)工作經(jīng)驗(yàn)，擅長(zhǎng)大數(shù)據(jù)測(cè)試及工具平臺(tái)開(kāi)發(fā)。張海霞，中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院碩士，融 360 高級(jí)測(cè)試開(kāi)發(fā)工程師。有近 7 年測(cè)試領(lǐng)域從業(yè)經(jīng)驗(yàn)，擅長(zhǎng)白盒測(cè)試、性能測(cè)試及自動(dòng)化測(cè)試。在測(cè)試平臺(tái)開(kāi)發(fā)方面有著豐富的實(shí)踐經(jīng)驗(yàn)，且對(duì)數(shù)據(jù)挖掘技術(shù)有扎實(shí)的實(shí)踐積累。張咪，北京交通大學(xué)通信學(xué)院碩士，融 360 高級(jí)測(cè)試開(kāi)發(fā)工程師。主要負(fù)責(zé)用戶產(chǎn)品的質(zhì)量保障工作。曾負(fù)責(zé)基礎(chǔ)架構(gòu)、運(yùn)維自動(dòng)化等方面的測(cè)試、開(kāi)發(fā)工作。在自動(dòng)化測(cè)試、服務(wù)穩(wěn)定性、專項(xiàng)測(cè)試、工程效能等方面有著豐富的實(shí)踐經(jīng)驗(yàn)，且對(duì)機(jī)器學(xué)習(xí)工程技術(shù)有深刻的理解。張朋周，中國(guó)地質(zhì)大學(xué)計(jì)算機(jī)碩士，融 360 高級(jí)測(cè)試開(kāi)發(fā)工程師。曾在RAISECOM 和百度從事測(cè)試開(kāi)發(fā)工作，有近 8 年的測(cè)試工作經(jīng)驗(yàn)。目前主要負(fù)責(zé)機(jī)器學(xué)習(xí)方面的測(cè)試開(kāi)發(fā)工作，主導(dǎo)了多個(gè)工具平臺(tái)的開(kāi)發(fā)，在模型評(píng)估平臺(tái)方面有著豐富的實(shí)踐經(jīng)驗(yàn)。

圖書(shū)目錄

目錄
第　一部分基礎(chǔ)知識(shí)

第　1 章機(jī)器學(xué)習(xí)的發(fā)展和應(yīng)用　2
1.1　什么是機(jī)器學(xué)習(xí)　2
1.2　機(jī)器學(xué)習(xí)的發(fā)展　3
1.3　機(jī)器學(xué)習(xí)的應(yīng)用　5
1.3.1　數(shù)據(jù)挖掘　5
1.3.2　人臉檢測(cè)　6
1.3.3　人機(jī)對(duì)弈　7
1.3.4　機(jī)器翻譯　7
1.3.5　自動(dòng)駕駛　7
1.3.6　其他應(yīng)用　8
1.4　本章小結(jié)　8
第　2 章 Python 編程基礎(chǔ)　9
2.1　Python 概述　9
2.2　Python 平臺(tái)搭建　9
2.2.1　Python 環(huán)境部署　9
2.2.2　Python 運(yùn)行方式　12
2.3　Python 語(yǔ)法基礎(chǔ)　14
2.3.1　Python 編程規(guī)范　14
2.3.2　基本數(shù)據(jù)類型　15
2.3.3　Python 編程基礎(chǔ)　18
2.3.4　模塊和包　21
2.3.5　文件操作　22
2.4　本章小結(jié)　23
第　3 章數(shù)據(jù)分析基礎(chǔ)　24
3.1　數(shù)據(jù)分析概述　24
3.1.1　什么是數(shù)據(jù)分析　24
3.1.2　數(shù)據(jù)分析的步驟　24
3.1.3　常用的數(shù)據(jù)分析策略　26
3.1.4　數(shù)據(jù)分析方法　27
3.1.5　數(shù)據(jù)分析工具　28
3.2　Python 中常用的數(shù)據(jù)分析庫(kù)　29
3.2.1　Numpy　29
3.2.2　Pandas　33
3.2.3　Matplotlib　37
3.2.4　SciPy　39
3.3　利用 Python 進(jìn)行數(shù)據(jù)分析　42
3.3.1　數(shù)據(jù)加載、存儲(chǔ)　42
3.3.2　數(shù)據(jù)清洗和準(zhǔn)備　46
3.3.3　數(shù)據(jù)規(guī)整　54
3.3.4　數(shù)據(jù)可視化　61
3.3.5　數(shù)據(jù)分組和聚合　64
3.3.6　數(shù)據(jù)分析案例　70
3.4　本章小結(jié)　77

第　4 章機(jī)器學(xué)習(xí)基礎(chǔ)　78
4.1　機(jī)器學(xué)習(xí)簡(jiǎn)介　78
4.1.1　機(jī)器學(xué)習(xí)中的基本概念　78
4.1.2　機(jī)器學(xué)習(xí)分類及訓(xùn)練方式　79
4.1.3　機(jī)器學(xué)習(xí)三要素　81
4.2　機(jī)器學(xué)習(xí)庫(kù)　83
4.2.1　Scikit-learn　83
4.2.2　StatsModels　87
4.3　機(jī)器學(xué)習(xí)算法　89
4.3.1　回歸算法　89
4.3.2　支持向量機(jī)　91
4.3.3　決策樹(shù)　92
4.3.4　聚類　94
4.3.5　降維　100
4.3.6　集成學(xué)習(xí)　102
4.3.7　神經(jīng)網(wǎng)絡(luò)　106
4.3.8　常用模型的特點(diǎn)和應(yīng)用場(chǎng)景　109
4.4　本章小結(jié)　111

第二部分　大數(shù)據(jù)測(cè)試
第　5 章大數(shù)據(jù)基礎(chǔ)　114
5.1　什么是大數(shù)據(jù)　114
5.2　Hadoop 生態(tài)系統(tǒng)　115
5.2.1　HDFS　116
5.2.2　MapReduce　118
5.2.3　Hive　121
5.2.4　HBase　124
5.2.5　Storm、Spark 和 Flink　131
5.3　數(shù)據(jù)倉(cāng)庫(kù)與 ETL 流程　133
5.3.1　什么是 ETL　133
5.3.2　什么是數(shù)據(jù)倉(cāng)庫(kù)　134
5.3.3　數(shù)據(jù)倉(cāng)庫(kù)的架構(gòu)　135
5.4　本章小結(jié)　136

第　6 章大數(shù)據(jù)測(cè)試指南　137
6.1　大數(shù)據(jù)測(cè)試概述　137
6.1.1　什么是大數(shù)據(jù)測(cè)試　137
6.1.2　大數(shù)據(jù)測(cè)試與傳統(tǒng)數(shù)據(jù)測(cè)試差異　138
6.2　大數(shù)據(jù) ETL 測(cè)試　139
6.2.1　ETL 測(cè)試流程　139
6.2.2　ETL 測(cè)試方法　140
6.2.3　ETL 測(cè)試場(chǎng)景　143
6.3　本章小結(jié)　147
第　7 章大數(shù)據(jù)工具實(shí)踐　148
7.1　大數(shù)據(jù)測(cè)試工具　148
7.1.1　大數(shù)據(jù)測(cè)試的痛點(diǎn)　148
7.1.2　大數(shù)據(jù)測(cè)試工具 easy_data_test 的設(shè)計(jì)　149
7.1.3　大數(shù)據(jù)測(cè)試工具 easy_data_test 的使用　152
7.1.4　大數(shù)據(jù)測(cè)試工具展望　157
7.2　數(shù)據(jù)質(zhì)量監(jiān)控平臺(tái)157
7.2.1　數(shù)據(jù)質(zhì)量把控環(huán)節(jié)　158
7.2.2　數(shù)據(jù)質(zhì)量評(píng)估要點(diǎn)　158
7.2.3　數(shù)據(jù)質(zhì)量監(jiān)控平臺(tái)設(shè)計(jì)　159
7.3　數(shù)據(jù)調(diào)度平臺(tái)　163
7.3.1　調(diào)度系統(tǒng)概述　163
7.3.2　Azkaban 概述　163
7.3.3　Azkaban 實(shí)踐　164
7.4　本章小結(jié)　168

第三部分　模型測(cè)試

第　8 章機(jī)器學(xué)習(xí)測(cè)試基礎(chǔ)　170
8.1　機(jī)器學(xué)習(xí)生命周期　170
8.2　機(jī)器學(xué)習(xí)測(cè)試難點(diǎn)　173
8.3　機(jī)器學(xué)習(xí)測(cè)試重點(diǎn)　174
8.4　模型工程服務(wù)測(cè)試　176
8.4.1　單元測(cè)試　177
8.4.2　集成測(cè)試　178
8.4.3　系統(tǒng)測(cè)試　179
8.5　A/B 測(cè) 試　180
8.5.1　A/B 測(cè) 試　180
8.5.2　做 A/B 測(cè)試的原因　181
8.5.3　A/B 測(cè)試在機(jī)器學(xué)習(xí)模型中的應(yīng)用　181
8.6　本章小結(jié)　182
　第 9 章特征專項(xiàng)測(cè)試　184
9.1　特征工程簡(jiǎn)介　184
9.1.1　數(shù)據(jù)探索　184
9.1.2　數(shù)據(jù)預(yù)處理　185
9.1.3　特征構(gòu)建　190
9.1.4　特征選擇　190
9.2　特征測(cè)試方法　191
9.2.1　特征指標(biāo)分析　191
9.2.2　特征穩(wěn)定性測(cè)試　198
9.3　特征測(cè)試實(shí)踐　199
9.3.1　特征指標(biāo)分析實(shí)踐　199
9.3.2　特征可視化實(shí)踐　203
9.3.3　特征穩(wěn)定性測(cè)試實(shí)踐　207
9.3.4　特征監(jiān)控實(shí)踐　211
9.4　本章小結(jié)　212
第　10 章模型算法評(píng)估測(cè)試　213
10.1　模型算法評(píng)估基礎(chǔ)　213
10.1.1　模型算法評(píng)估概述　213
10.1.2　樣本數(shù)據(jù)劃分策略　214
10.1.3　統(tǒng)計(jì)學(xué)指標(biāo)與統(tǒng)計(jì)圖　216
10.1.4　模型算法評(píng)估指標(biāo)　217
10.2　模型算法的測(cè)試方法　223
10.2.1　模型蛻變測(cè)試　223
10.2.2　模型模糊測(cè)試　226
10.2.3　模型魯棒性測(cè)試　227
10.2.4　模型安全測(cè)試　229
10.2.5　模型可解釋性測(cè)試　230
10.2.6　模型在線測(cè)試　233
10.2.7　模型監(jiān)控與迭代　234
10.3　不同應(yīng)用場(chǎng)景下模型算法的評(píng)測(cè)　235
10.3.1　圖像分類應(yīng)用場(chǎng)景下的模型算法評(píng)測(cè)　235
10.3.2　推薦應(yīng)用場(chǎng)景下的模型算法評(píng)測(cè)　236
10.3.3　金融風(fēng)控應(yīng)用場(chǎng)景下的模型算法評(píng)測(cè)　239
10.4　本章小結(jié)　241
第四部分　模型工程
第　11 章模型評(píng)估平臺(tái)實(shí)踐　244
11.1　模型評(píng)估平臺(tái)背景　244
11.2　模型評(píng)估平臺(tái)的設(shè)計(jì)　245
11.2.1　平臺(tái)需求分析　245
11.2.2　平臺(tái)架構(gòu)設(shè)計(jì)　246
11.3　模型評(píng)估平臺(tái)展示　253
11.3.1　模型配置規(guī)則　253
11.3.2　模型評(píng)估指標(biāo)　255
11.3.3　模型評(píng)估報(bào)告　261
11.4　模型評(píng)估平臺(tái)總結(jié)　263
11.4.1　回顧　264
11.4.2　展望　265
11.5　本章小結(jié)　266
第　12 章機(jī)器學(xué)習(xí)工程技術(shù)　267
12.1　機(jī)器學(xué)習(xí)平臺(tái)概述　267
12.1.1　機(jī)器學(xué)習(xí)平臺(tái)發(fā)展歷程　267
12.1.2　主流的機(jī)器學(xué)習(xí)平臺(tái)　269
12.1.3　機(jī)器學(xué)習(xí)平臺(tái)的建設(shè)　270
12.2　數(shù)據(jù)與建模工程技術(shù)　272
12.2.1　數(shù)據(jù)采集　272
12.2.2　數(shù)據(jù)存儲(chǔ)　272
12.2.3　數(shù)據(jù)加工　273
12.2.4　樣本數(shù)據(jù)　274
12.2.5　特征工程　275
12.2.6　模型構(gòu)建　275
12.3　模型部署工程技術(shù)　279
12.3.1　模型部署概述　279
12.3.2　模型發(fā)布方式　279
12.3.3　模型線上監(jiān)控　284
12.4　本章小結(jié)　286
第　13 章機(jī)器學(xué)習(xí)的持續(xù)交付　287
13.1　機(jī)器學(xué)習(xí)持續(xù)交付的介紹與定義　287
13.1.1　持續(xù)交付　287
13.1.2　機(jī)器學(xué)習(xí)持續(xù)交付的定義　289
13.2　機(jī)器學(xué)習(xí)持續(xù)交付的主要挑戰(zhàn)　290
13.2.1　組織流程的挑戰(zhàn)　290
13.2.2　復(fù)雜技術(shù)的挑戰(zhàn)　292
13.3　如何構(gòu)建機(jī)器學(xué)習(xí)管道　292
13.3.1　機(jī)器學(xué)習(xí)管道概述　293
13.3.2　構(gòu)建機(jī)器學(xué)習(xí)管道　293
13.3.3　Pipeline（管道）設(shè)計(jì)的關(guān)注點(diǎn)　307
13.3.4　Pipeline 的技術(shù)組件　307
13.4　本章小結(jié)　309
第五部分　AI In Test
第　14 章 AI 在測(cè)試領(lǐng)域的探索與實(shí)踐　312
14.1　測(cè)試發(fā)展面臨的挑戰(zhàn)　312
14.2　AI 在測(cè)試領(lǐng)域的應(yīng)用及優(yōu)勢(shì)　313
14.3　業(yè)界智能化測(cè)試案例介紹　314
14.3.1　AI 在測(cè)試效能方面的探索　315
14.3.2　AI 在自動(dòng)化測(cè)試方面的實(shí)踐　317
14.4　主流AI 測(cè)試工具簡(jiǎn)介　320

14.5　本章小結(jié)　322
第　15 章 AI 時(shí)代測(cè)試工程師的未來(lái)　324
15.1　AI 對(duì)測(cè)試未來(lái)發(fā)展的影響　324
15.2　AI 時(shí)代測(cè)試工程師的定位　325
15.3　測(cè)試工程師的AI 學(xué)習(xí)路線　326
15.4　本章小結(jié)　328
參考文獻(xiàn)　329