《基於Azure的自動機器學習》是2020年中國電力出版社出版的圖書。
基本介紹
- 中文名：基於Azure的自動機器學習
- 出版時間：2020年
- 出版社：中國電力出版社
- ISBN：9787519848552
內容簡介,圖書目錄,
內容簡介
• 學習成功機器學習項目的最佳實踐。
• 使用Azure完成自動機器學習。
• 理解分類和回歸，以及模型可解釋性和透明性等概念。
• 了解如何在其他環境中使用Automated ML，如Azure Databricks、ML.NET和SQL Server。
• 探索推動機器學習大眾化的工具。
圖書目錄
前言
第1部分自動機器學習
第1章機器學習：概述和最佳實踐
機器學習：簡要回顧
模型參數
超參數
機器學習項目的最佳實踐
理解決策過程
建立性能指標
強調透明度以獲得信任
勇於實驗
不要孤軍作戰
疊代而耗時的過程
特徵工程
算法選擇
超參數調整
端到端過程
增長的需求
小結
第2章自動機器學習如何工作
什麼是自動機器學習？
理解數據
檢測任務
選擇評價指標
特徵工程
選擇模型
監控和重訓練
綜合
Automated ML
AutomatedML如何工作
保留隱私
支持透明度
防護
端到端模型生命周期管理
小結
第2部分Azure的Automated ML
第3章開始使用微軟Azure機器學習
和Automated ML
機器學習過程
協作和監控
部署
為AutomatedML建立一個Azure機器學習工作區
Azure Notebooks
Notebook VM
小結
第4章特徵工程和自動機器學習
AutomatedML中可用的數據預處理方法
AutomatedML的自動特徵化
分類和回歸的自動特徵化
時間序列預報的自動特徵化
小結
第5章部署自動機器學習模型
部署模型
註冊模型
創建容器映像
部署模型進行測試
測試已部署的模型
部署到AKS
Web服的Swagger
調試部署
Web服務部署失敗
小結
第6章分類和回歸
為什麼使用分類和回歸？
分類和回歸算法
使用AutomatedML完成分類和回歸
小結
第3部分企業如何使用自動機器學習
第7章使用AutomatedML支持模型
可解釋性和透明性
模型可解釋性
Azure機器學習的模型可解釋性
模型透明性
理解AutomatedML模型流水線
防護
小結
第8章開發人員使用AutomatedML
Azure Databricks Apache Spark
ML.NET
SQL Server
小結
第9章所有人使用AutomatedML
Azure UI
Power BI
準備數據
Automated ML訓練
理解最佳模型
理解Automated ML訓練過程
模型部署和推理
支持協作
Azure機器習到Power BI
Power BI Automated ML到Azure器習
小結
作者介紹
封面介紹
