《機器學習開發實戰》是2021年機械工業出版社出版的圖書。
基本介紹
- 中文名：機器學習開發實戰
- 作者：[意]迪諾·埃斯波西托、[意]弗朗西斯科·埃斯波西托
- 出版時間：2021年
- 出版社：機械工業出版社
- ISBN：9787111671817
內容簡介,圖書目錄,作者簡介,
內容簡介
本書介紹學習深度學習的基礎知識，了解機器學習流程：產生可交付模型的步驟，掌握進行預測，改進決策，並套用機率方法，以及通過分類和聚類對數據進行分組機器學習可以解決哪些問題。提出了一系列可以用來解決現實問題的算法，以及利用神經網路的深度學習技術。本書適合對於想要構建機器學習應用程式的專業人員。
圖書目錄
第一部分 機器學習基礎
第1章 人類是如何學習的 3
邁向思考型機器 4
機器推理的曙光 4
哥德爾不完備定理 4
計算機的形式化 5
邁向人類思想的形式化 5
人工智慧學科的誕生 6
學習原理 7
什麼是智慧型軟體 7
神經元是如何工作的 8
大棒加胡蘿蔔法 14
應變能力 15
人工智慧的形式 16
原始智慧型 16
專家系統 16
自治系統 19
人工情感的形式 20
小結 22
第2章 智慧型軟體 23
套用人工智慧 23
軟體智慧型的發展 24
專家系統 25
通用人工智慧 27
無監督學習 27
監督學習 29
小結 32
第3章 映射問題和算法 33
基本問題 33
對象分類 34
結果預測 36
對象分組 38
更複雜的問題 40
圖像分類 41
目標檢測 41
文本分析 42
自動機器學習 42
AutoML平台概述 42
AutoML模型構建器實戰 45
小結 48
第4章 機器學習解決方案的一般步驟 49
數據收集 50
組織中的數據驅動文化 50
存儲選項 51
數據準備 52
提高數據質量 53
清洗數據 53
特徵工程 54
終確定訓練數據集 56
模型選擇及訓練 58
算法速查表 59
神經網路案例 61
評估模型性能 62
模型部署 64
選擇合適的主機平台 64
公開API 65
小結 66
第5章 數據因素 67
數據質量 67
數據有效性 68
數據收集 69
數據完整性 70
完備性 70
性 70
及時性 71
準確性 71
一致性 71
什麼是數據科學家 71
工作中的數據科學家 72
數據科學家的工具箱 73
數據科學家和軟體開發人員 73
小結 74
第二部分 .NET中的機器學習
第6章 .NET方式 77
為什麼用/不用Python 78
為什麼Python在機器學習中如此受歡迎 78
Python機器學習庫的分類 80
基於Python模型的端到端解決方案 82
ML.NET簡介 83
在ML.NET中創建和使用模型 84
學習環境的要素 87
小結 91
第7章 實現ML.NET管道 93
從數據開始 93
探索數據集 94
套用公共數據轉換 94
關於數據集的注意事項 95
訓練步驟 96
選擇算法 96
測量算法的實際值 97
計畫測試階段 97
指標預覽 98
從客戶端應用程式中預測價格 99
獲取模型檔案 99
設定ASP.NET應用程式 99
預測計程車費用 100
設計適當的用戶界面 102
質疑數據和解決問題的方法 103
小結 103
第8章 ML.NET任務和算法 105
ML.NET的整體框架 105
涉及的類型和接口 105
數據表示 107
支持的目錄 109
分類任務 111
二進制分類 111
多類分類 116
聚類任務 122
準備工作數據 122
訓練模型 123
評估模型 124
遷移學習 126
建立圖像分類器的步驟 127
套用必要的數據轉換 127
模型的構建和訓練 129
關於遷移學習的補充說明 131
小結 132
第三部分 淺層學習基礎
第9章 機器學習的數學基礎 135
統計數據 135
均值 136
眾數 138
中位數 139
偏差和方差 141
方差 142
偏差 144
數據表示 145
五數概括法 145
直方圖 146
散點圖 148
散點圖矩陣 148
以適當的比例繪製 149
小結 150
第10章 機器學習的度量 151
統計與機器學習 151
機器學習的終極目標 152
從統計模型到機器學習模型 153
機器學習模型的評價 155
從數據集到預測 155
測量模型的精度 157
為處理準備數據 162
縮放 162
標準化 163
歸一化 163
小結 163
第11章 進行簡單預測：線性回歸 165
問題 165
用數據指導預測結果 166
對關係做假設 167
線性算法 169
總體思路 169
確定代價函式 170
普通的小二乘算法 171
梯度下降算法 174
判斷算法的好壞 178
改進解決方案 178
多項式方法 178
正則化 179
小結 180
第12章 進行複雜的預測和決策：決策樹 181
問題 181
什麼是樹 182
機器學習中的樹 183
基於樹的算法示例 183
基於樹的算法的設計原理 185
決策樹與專家系統 185
樹算法的種類 186
分類樹 187
CART算法的工作原理 187
ID3算法的工作原理 191
回歸樹 194
算法的工作原理 194
剪枝 195
小結 196
第13章 進行更好的決策：集成學習算法 197
問題 197
bagging技術 198
隨機森林算法 198
算法步驟 200
優點與缺點 202
boosting技術 203
boosting的功能 203
梯度boosting 206
優點與缺點 210
小結 210
第14章 機率方法：樸素貝葉斯 211
貝葉斯統計快速入門 211
貝葉斯機率簡介 212
基本符號 212
貝葉斯定理 214
一個實用的代碼審查示例 215
貝葉斯統計在分類中的套用 216
問題的初始表述 217
簡化的有效分子式 217
貝葉斯分類器實踐 218
樸素貝葉斯分類器 219
通用算法 219
多項式樸素貝葉斯 220
伯努利樸素貝葉斯 223
高斯樸素貝葉斯 224
樸素貝葉斯回歸 226
貝葉斯線性回歸的基礎 226
貝葉斯線性回歸的套用 228
小結 228
第15章 對數據進行分組：分類與聚類 229
有監督分類的基本方法 230
K–近鄰算法 230
算法步驟 232
套用場景 234
支持向量機 235
算法概述 235
數學知識回顧 239
算法步驟 240
無監督聚類 245
套用案例：縮減數據集 245
K–均值算法 246
K–模型算法 247
DBSCAN算法 248
小結 251
第四部分 深度學習基礎
第16章 前饋神經網路 255
神經網路簡史 255
McCulloch-Pitt神經元 255
前饋網路 256
更複雜的網路 256
人工神經元的類型 257
感知機神經元 257
邏輯神經元 260
訓練神經網路 263
整體學習策略 263
反向傳播算法 264
小結 270
第17章 神經網路的設計 273
神經網路概覽 273
激活函式 274
隱層 277
輸出層 281
構建神經網路 282
現成的框架 282
你的個Keras神經網路 284
神經網路與其他算法 287
小結 289
第18章 其他類型的神經網路 291
前饋神經網路的常見問題 291
遞歸神經網路 292
有狀態神經網路的結構 292
LSTM神經網路 295
卷積神經網路 298
圖像分類與識別 298
卷積層 299
池化層 301
全連線層 303
神經網路的進一步發展 304
生成對抗神經網路 304
自動編碼器 305
小結 307
第19章 情感分析：端到端解決方案 309
為訓練準備數據 310
對問題進行形式化 310
獲取數據 311
處理數據 311
關於中間格式的注意事項 313
訓練模型 313
選擇生態系統 314
建立單詞字典 314
選擇訓練器 315
網路的其他方面 319
客戶端套用 321
獲取模型的輸入 321
從模型中預測 322
將回響轉化為可用信息 323
小結 323
第五部分 思考
第20章 面向現實世界的AI雲服務 327
Azure認知服務 327
Azure機器學習工作室 329
Azure機器學習服務 331
數據科學虛擬機 333
本地服務 333
SQL Server機器學習服務 333
機器學習伺服器 334
微軟數據處理服務 334
Azure數據湖 334
Azure Databricks 334
Azure HDInsight 335
用於Apache Spark的.NET 335
Azure數據分享 336
Azure數據工廠 336
小結 336
第21章 人工智慧的商業願景 339
工業界對AI的看法 339
挖掘潛能 339
AI可以為你做什麼 340
面臨的挑戰 342
端到端解決方案 343
我們就叫它諮詢吧 344
軟體和數據科學之間的界線 344
敏捷AI 346
小結 349
Contents
PART I LAYING THE GROUNDWORK OF MACHINE LEARNING
Chapter 1 How Humans Learn 3
The Journey Toward Thinking Machines4
The Dawn of Mechanical Reasoning4
Godel’s Incompleteness Theorems4
Formalization of Computing Machines 5
Toward the Formalization of Human Thought 5
The Birth of Artificial Intelligence as a Discipline 6
The Biology of Learning 7
What Is Intelligent Software, Anyway? 7
How Neurons Work 8
The Carrot-and-Stick Approach14
Adaptability to Changes 15
Artificial Forms of Intelligence 16
Primordial Intelligence
作者簡介
迪諾·埃斯波西托（Dino Esposito） 在程式開發領域擁有超過25年的經驗，14次被評為微軟最有價值專家（MVP），撰寫了20多本書，包括暢銷書Microsoft NET: Architecting Applications for the Enterprise，連續22年為《MSDN雜誌》撰寫專欄，並經常為微軟及全球各類企業的程式開發人員做培訓。目前擔任BaxEnergy公司的數字戰略師，專注於智慧城市和智慧能源等領域。弗朗西斯科·埃斯波西托（Francesco Esposito） 軟體和AI公司Youbiquitous的創始人，並且運營著一家小型投資公司。他在青少年時期就為iOS、Android和Windows Phone等平台開發了多款應用程式，目前專注於數學和數據科學，特別關注水和醫療保健領域。
