自動機(jī)器學(xué)習(xí)入門與實(shí)踐：使用Python

第1章 AutoML簡介 1 1.1 機(jī)器學(xué)習(xí)的范圍 2 1.2 什么是AutoML 4 1.3 為什么和怎么用AutoML 10 1.4 何時需要將機(jī)器學(xué)習(xí)自動化 11 1.5 能學(xué)到什么 11 1.6 AutoML庫概述 13 1.7 總結(jié) 23 第2章 Python機(jī)器學(xué)習(xí)簡介 25 2.1 技術(shù)要求 26 2.2 機(jī)器學(xué)習(xí) 26 2.3 線性回歸 28 2.4 重要評估指標(biāo)——回歸算法 37 2.5 邏輯回歸 39 2.6 重要評估指標(biāo)——分類算法 44 2.7 決策樹 46 2.8 支持向量機(jī) 49 2.9 K近鄰算法 52 2.10 集成方法 54 2.11 分類器結(jié)果對比 59 2.12 交叉驗(yàn)證 60 2.13 聚類 61 2.14 總結(jié) 66 第3章 數(shù)據(jù)預(yù)處理 67 3.1 技術(shù)要求 68 3.2 數(shù)據(jù)轉(zhuǎn)換 68 3.3 特征選擇 97 3.4 特征生成 103 3.5 總結(jié) 105 第4章 自動化算法選擇 107 4.1 技術(shù)要求 108 4.2 計算復(fù)雜度 108 4.3 訓(xùn)練時間和推理時間的區(qū)別 110 4.4 線性與非線性 119 4.5 必要特征轉(zhuǎn)換 124 4.6 監(jiān)督機(jī)器學(xué)習(xí) 125 4.7 無監(jiān)督AutoML 132 4.8 總結(jié) 157 第5章 超參數(shù)優(yōu)化 159 5.1 技術(shù)要求 160 5.2 超參數(shù) 161 5.3 熱啟動 173 5.4 貝葉斯超參數(shù)優(yōu)化 174 5.5 示例系統(tǒng) 175 5.6 總結(jié) 178 第6章 創(chuàng)建AutoML流水線 179 6.1 技術(shù)要求 180 6.2 機(jī)器學(xué)習(xí)流水線簡介 180 6.3 簡單的流水線 182 6.4 函數(shù)轉(zhuǎn)換器 184 6.5 復(fù)雜流水線 187 6.6 總結(jié) 190 第7章 深度學(xué)習(xí)探究 191 7.1 技術(shù)要求 192 7.2 神經(jīng)網(wǎng)絡(luò)概覽 192 7.3 使用Keras的前饋神經(jīng)網(wǎng)絡(luò) 198 7.4 自編碼器 201 7.5 卷積神經(jīng)網(wǎng)絡(luò) 205 7.6 總結(jié) 210 第8章 機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)項目的重點(diǎn) 211 8.1 機(jī)器學(xué)習(xí)搜索 211 8.2 機(jī)器學(xué)習(xí)的權(quán)衡 221 8.3 典型數(shù)據(jù)科學(xué)項目的參與模型 222 8.4 參與模型的階段 223 8.5 總結(jié) 228 作者簡介 230 索引 231