自動機器學習入門與實踐：使用Python

第1章 AutoML簡介 1 1.1 機器學習的范圍 2 1.2 什么是AutoML 4 1.3 為什么和怎么用AutoML 10 1.4 何時需要將機器學習自動化 11 1.5 能學到什么 11 1.6 AutoML庫概述 13 1.7 總結(jié) 23 第2章 Python機器學習簡介 25 2.1 技術(shù)要求 26 2.2 機器學習 26 2.3 線性回歸 28 2.4 重要評估指標——回歸算法 37 2.5 邏輯回歸 39 2.6 重要評估指標——分類算法 44 2.7 決策樹 46 2.8 支持向量機 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 計算復雜度 108 4.3 訓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)督機器學習 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 機器學習流水線簡介 180 6.3 簡單的流水線 182 6.4 函數(shù)轉(zhuǎn)換器 184 6.5 復雜流水線 187 6.6 總結(jié) 190 第7章 深度學習探究 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 機器學習和數(shù)據(jù)科學項目的重點 211 8.1 機器學習搜索 211 8.2 機器學習的權(quán)衡 221 8.3 典型數(shù)據(jù)科學項目的參與模型 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