跨平臺機器學習：ML.NET架構及應用編程

 
第1章 人工智能軟件 001
第2章　透視ML.NET架構 011
第3章　ML.NET基礎 033
第4章　預測任務 055
第5章　分類任務 091
第6章　聚類任務 125
第7章　異常檢查任務 149
第8章　預測任務 177
第9章　推薦任務 199
第10章　圖像分類任務 219
第11章　神經(jīng)網(wǎng)絡概述 237
第12章　用于識別護照的神經(jīng)網(wǎng)絡 255
附錄　模型的可解釋性  271
詳 細 目 錄
第1章　人工智能軟件 001
1.1　軟件的源起 002
1.1.1　計算機的形式化 002
1.1.2　計算機工程設計 003
1.1.3　人工智能的誕生 004
1.1.4　作為副作用的軟件 004
1.2　軟件在今天的作用 005
1.2.1　自動化任務 006
1.2.2　反映現(xiàn)實世界 007
1.2.3　賦能用戶 008
1.3　人工智能如同軟件 008
第2章　透視ML.NET架構 011
2.1　Python與機器學習 012
2.1.1　Python為什么在機器學習中如此受歡迎 012
2.1.2　Python機器學習庫的分類 013
2.1.3　Python模型頂部的端到端方案 016
2.2　ML.NET概述 017
2.2.1　ML.NET中的學習管道 018
2.2.2　模型訓練執(zhí)行摘要 024
2.3　使用訓練好的模型 028
2.3.1　使模型可從外部調(diào)用 029
2.3.2　其他部署場景 030
2.3.3　從數(shù)據(jù)科學到編程 030
2.4　小結 031
第3章　ML.NET基礎 033
3.1　通往數(shù)據(jù)工程 033
3.1.1　數(shù)據(jù)科學家的角色 034
3.1.2　數(shù)據(jù)工程師的角色 035
3.1.3　機器學習工程師的角色 036
3.2　從什么數(shù)據(jù)開始 037
3.2.1　理解可用的數(shù)據(jù) 037
3.2.2　構建數(shù)據(jù)處理管道 040
3.3　訓練步驟 043
3.3.1　選擇算法 044
3.3.2　衡量算法的實際價值 045
3.3.3　計劃測試階段 046
3.3.4　關于指標 047
3.4　在客戶端應用程序中使用模型 048
3.4.1　獲取模型文件 049
3.4.2　完整項目 049
3.4.3　預測打車費用 050
3.4.4　可伸縮性的考慮 052
3.4.5　設計恰當?shù)挠脩艚缑?053
3.5　小結 054
第4章　預測任務 055
4.1　管道和評估器鏈 056
4.1.1　數(shù)據(jù)視圖 056
4.1.2　轉換器 057
4.1.3　估算器 058
4.1.4　管道 059
4.2　回歸ML任務 059
4.2.1　ML任務的常規(guī)方面 060
4.2.2　支持的回歸算法 060
4.2.3　支持的校驗技術 063
4.3　使用回歸任務 066
4.3.1　可用的訓練數(shù)據(jù) 066
4.3.2　特征工程 071
4.3.3　訪問數(shù)據(jù)庫內(nèi)容 074
4.3.4　合成訓練管道 077
4.4　機器學習深入思考 087
4.4.1　簡單線性回歸 087
4.4.2　非線性回歸 088
4.5　小結 089
第5章　分類任務 091
5.1　二分類機器學習任務 091
5.1.1　支持的算法 092
5.1.2　支持的驗證技術 094
5.2　情感分析的二分類 094
5.2.1　了解可用的訓練數(shù)據(jù) 094
5.2.2　特征工程 098
5.2.3　合成訓練管道 101
5.3　多分類ML任務 106
5.4　使用多分類任務 110
5.4.1　了解可用的數(shù)據(jù) 110
5.4.2　合成訓練管道 113
5.5　機器學習深入思考 121
5.5.1　分類的多面性 121
5.5.2　情感分析的另一個視角 122
5.6　小結 123
第6章　聚類任務 125
6.1　聚類ML任務 125
6.1.1　無監(jiān)督學習 126
6.1.2　了解可用的訓練數(shù)據(jù) 126
6.1.3　特征工程 131
6.1.4　聚類算法 132
6.1.5　合成訓練管道 137
6.1.6　設置客戶端應用程序 139
6.2　機器學習深入思考  143
6.2.1　第一步始終是聚類分析 144
6.2.2　數(shù)據(jù)集的無監(jiān)督縮減 145
6.3　小結 147
第7章　異常檢查任務 149
7.1　什么是異常 149
7.2　檢查異常情況的常規(guī)方法 150
7.2.1　時間序列數(shù)據(jù) 150
7.2.2　統(tǒng)計技術  153
7.2.3　機器學習方法 154
7.3　異常檢查ML任務 157
7.3.1　了解可用的訓練數(shù)據(jù) 157
7.3.2　合并訓練管道 160
7.3.3　設置客戶端應用程序 167
7.4　機器學習深入思考 171
7.4.1　預測性維護  172
7.4.2　金融詐騙 174
7.5　小結 175
第8章　預測任務 177
8.1　預測未來 177
8.1.1　簡單預測方法 178
8.1.2　預測的數(shù)學基礎 178
8.1.3　常見的分解算法 180
8.1.4　SSA算法 181
8.2　 預測ML任務 183
8.2.1　了解可用的數(shù)據(jù)  183
8.2.2　合成訓練管道 185
8.2.3　設置客戶端應用程序  190
8.3　機器學習深入思考 193
8.3.1　不是公園里的隨機漫步 194
8.3.2　時間序列的其他方法  194
8.3.3　電力生產(chǎn)預測  195
8.4　小結 198
第9章　推薦任務 199
9.1　深入信息檢索系統(tǒng) 200
9.1.1　排名的基本藝術  201
9.1.2　推薦的靈活藝術  201
9.1.3　協(xié)同過濾的精妙藝術 203
9.2　ML推薦任務 204
9.2.1　了解可用的數(shù)據(jù)  204
9.2.2　合成訓練管道 208
9.2.3　設置客戶端應用程序 212
9.3　機器學習深入思考 215
9.3.1　如果喜歡奈飛 215
9.3.2　如果你不喜歡奈飛 216
9.4　小結 217
第10章　圖像分類任務 219
10.1　遷移學習 220
10.1.1　流行的圖像處理神經(jīng)網(wǎng)絡  220
10.1.2　其他圖像神經(jīng)網(wǎng)絡  220
10.2　通過合成進行遷移學習 221
10.2.1　ML.NET中的遷移學習模式 221
10.2.2　新的圖像分類器的總體目標 222
10.2.3　了解可用的數(shù)據(jù)  223
10.2.4　合成訓練管道 226
10.2.5　設置客戶端應用程序 228
10.3　ML圖像分類任務 230
10.3.1　圖像分類API 231
10.3.2　使用圖像分類API 232
10.4　機器學習深入思考 233
10.4.1　人腦的魔法 233
10.4.2　人工打造的神經(jīng)網(wǎng)絡  234
10.4.3　重新訓練 235
10.5　小結 235
第11章　神經(jīng)網(wǎng)絡概述 237
11.1　前饋神經(jīng)網(wǎng)絡 237
11.1.1　人工神經(jīng)元  238
11.1.2　網(wǎng)絡的層級  240
11.1.3　Logistic神經(jīng)元  241
11.1.4　訓練神經(jīng)網(wǎng)絡  243
11.2　更復雜的神經(jīng)網(wǎng)絡 246
11.2.1　有狀態(tài)神經(jīng)網(wǎng)絡 246
11.2.2　卷積神經(jīng)網(wǎng)絡 249
11.2.3　自動編碼器 252
11.3　小結 253
第12章　用于識別護照的神經(jīng)網(wǎng)絡 255
12.1　使用Azure認知服務 255
12.1.1　問題的剖析和解決方案 256
12.1.2　與ID表單識別器協(xié)同工作 257
12.2　自己動手打造神經(jīng)網(wǎng)絡 261
12.2.1　神經(jīng)網(wǎng)絡的拓撲  262
12.2.2　訓練時的麻煩 267
12.3　機器學習深入思考 268
12.3.1　商品和垂直解決方案  269
12.3.2　什么時候只能使用定制解決方案 269
12.4　小結 270
附錄　模型的可解釋性  271