《面向移動設備的機器學習》是2020年清華大學出版社出版的圖書，作者是[印]雷瓦西· 戈帕拉克里希南。
基本介紹
- 中文名：面向移動設備的機器學習
- 作者：[印]雷瓦西· 戈帕拉克里希南
- 類別：物理
- 出版社：清華大學出版社
- 出版時間：2020年6月1日
- 定價：99 元
- ISBN：9787302553502
內容簡介,圖書目錄,
內容簡介
本書詳細闡述了與移動紙甩夜設備機器學習相關的基本解決方案，主要包括面向移動設備的機器學習應用程式、監督學習和無監督學習算法、iOS上的隨機森林、在Android中使用TensorFlow、在iOS中使用Core ML進行回歸、ML Kit SDK、垃圾郵件檢測、Fritz、移動設備上的神經網路、使用Google Cloud Vision的移動應用程式、移動應用程式上機器學習的未來等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。 本書適合作為高等院校計算機及相關專業拳潤戒囑的教材和教學參考書，也可作為相關開發人員的自學教材廈踏嚷和參考手冊。
圖書目錄
第1章 面向移動設霸棗捆備的機器學習應用程式 1
1.1 機器學習的定義 2
1.2 機器學習過程 4
1.2.1 定義機器學習問題 5
1.2.2 準備數據 5
1.2.3 建立模型 7
1.2.4 進行預測/現場部署 10
1.3 學習類型 10
1.3.1 監督學習 10
1.3.2 無監督學習 12
1.3.3 半監督學習 14
1.3.4 強化學習 15
1.3.5 機器學習的挑戰 16
1.4 在移動設備上進行機器學習 17
1.4.1 在移動應用程式中實現機器學習的方法 18
1.4.2 流行的移動機器學習工具和SDK 26
1.4.3 實現移動設備上機器學習應用程式所需的技能 27
1.5 小結 28
第2章 監督學習和無監督學習算法 29
2.1 監督學習算法簡介 29
2.2 深入研究監督學習算法 30
2.2.1 樸素貝葉斯 32
2.2.2 決策樹 34
2.2.3 線性回歸 35
2.2.4 邏輯回歸 36
2.2.5 支持向量機 38
2.2.6 隨機森林 40
2.3 無監督學習算法簡介 41
2.4 深入研究無監督學習算法 42
2.4.1 聚類算法 43
2.4.2 關聯規則學習算法 45
2.5 小結 46
2.6 參考文獻 46
第3章 iOS上的隨機森林 47
3.1 算法簡介 47
3.1.1 決策樹 47
3.1.2 隨機森林 50
3.2 在Core ML中使用隨機森林解決問題 52
3.2.1 數據集 52
3.2.2 技術要求 53
3.2.3 使用scikit-learn創建模型檔案 54
3.2.4 將scikit模型轉換為Core ML模型 56
3.2.5 使用Core ML模型創建iOS移動應用程式 57
3.3 小結 60
3.4 深入閱讀 60
第4章 在Android中使用TensorFlow 61
4.1 關宙府敬淚於TensorFlow 61
4.2 移動機器學習應用程式的體系結構 64
4.3 使用TensorFlow模型編寫移動應用程式 68
4.3.1 編寫第一個程式 68
4.3.2 創建Android應用程式 71
4.4 小結 76
第5章 在己匪iOS中使用Core ML進行回歸 77
5.1 回歸簡介 77
5.2 了解Core ML的基礎 81
5.3 在Core ML中使用回歸解決問題 84
5.3.1 技術要求 84
5.3.2 如何虹臭講使用scikit-learn創建模型檔案 84
5.3.3 運行和測試模型 87
5.3.4 將模型導入iOS項目 88
5.3.5 編寫iOS應用程式 88
5.3.6 運行iOS應用程式 90
5.4 深入閱讀 90
5.5 小結 91
第6章 ML Kit SDK 93
6.1 理解ML Kit 93
6.2 使用Firebase設備上的API創建文本識別套用 97
6.3 使用Firebase雲端API創建文本識別套用 103
6.4 使用ML Kit進行人臉檢測 106
6.4.1 人臉檢測概念 106
6.4.2 使用ML Kit進行臉部檢測的示例解決方案 107
6.4.3 運行應用程式 109
6.5 小結 110
第7章 垃圾郵件檢測 111
7.1 理解NLP 111
7.1.1 關於NLP 111
7.1.2 文本預處理技術 113
7.1.3 特徵工程 114
7.1.4 分類/聚類文本 115
7.2 理解線性SVM算法 115
7.3 在Core ML中使用線性SVM解決問題 117
7.3.1 關於數據 117
7.3.2 技術要求 118
7.3.3 使用Scikit Learn創建模型檔案 118
7.3.4 將scikit-learn模型轉換為Core ML模型 119
7.3.5 編寫iOS應用程式 120
7.4 小結 124
第8章 Fritz 125
8.1 關於Fritz 126
8.1.1 預建機器學習模型 126
8.1.2 使用自定義模型的能力 126
8.1.3 模型管理 126
8.2 使用Fritz的實戰示例 127
8.2.1 通過Fritz使用現有的TensorFlow for mobile模型 127
8.2.2 使用Fritz預製模型創建Android應用程式 138
8.2.3 在使用Fritz的iOS應用程式中使用現有的Core ML模型 145
8.3 小結 150
第9章 移動設備上的神經網路 151
9.1 神經網路介紹 151
9.1.1 神經元的通信步驟 151
9.1.2 激活函式 152
9.1.3 神經元的排列 153
9.1.4 神經網路的類型 154
9.2 圖像識別解決方案 154
9.3 創建TensorFlow圖像識別模型 154
9.3.1 關於TensorFlow的作用 155
9.3.2 重新訓練模型 156
9.3.3 將TensorFlow模型轉換為Core ML模型 161
9.3.4 編寫iOS移動應用程式 165
9.4 手寫數字識別解決方案 168
9.5 關於Keras 169
9.6 安裝Keras 169
9.7 求解問題 169
9.7.1 定義問題陳述 170
9.7.2 問題方案 171
9.8 小結 180
第10章 使用Google Cloud Vision的移動應用程式 181
10.1 關於Google Cloud Vision的功能 181
10.2 使用Google Cloud Vision的示例移動應用程式 182
10.2.1 標籤檢測的工作原理 182
10.2.2 先決條件 183
10.2.3 準備工作 184
10.2.4 理解套用 185
10.2.5 輸出 186
10.3 小結 187
第11章 移動應用程式上機器學習的未來 189
11.1 主要的機器學習移動應用程式 189
11.1.1 Facebook 190
11.1.2 Google Maps 190
11.1.3 Snapchat 190
11.1.4 Tinder 190
11.1.5 Netflix 190
11.1.6 Oval Money 191
11.1.7 ImprompDo 191
11.1.8 Dango 191
11.1.9 Carat 191
11.1.10 Uber 191
11.1.11 GBoard 191
11.2 主要創新領域 191
11.2.1 個性化套用 192
11.2.2 衛生保健 192
11.2.3 有針對性的促銷和行銷 192
11.2.4 視聽識別 192
11.2.5 電子商務 192
11.2.6 財務管理 193
11.2.7 遊戲與娛樂 193
11.2.8 企業套用 193
11.2.9 房地產 194
11.2.10 農業 194
11.2.11 能源 194
11.2.12 移動安全 195
11.3 利益相關者的機會 195
11.3.1 硬體製造商 195
11.3.2 移動作業系統供應商 196
11.3.3 第三方移動機器學習 SDK提供商 196
11.3.4 機器學習移動應用程式開發人員 196
11.4 小結 197
附錄A 問題與答案 199
A.1 常見問題解答 199
A.1.1 數據科學 199
A.1.2 機器學習框架 201
A.1.3 移動機器學習項目實現 204
A.1.4 安裝 206
A.2 參考文獻 207
3.3 小結 60
3.4 深入閱讀 60
第4章 在Android中使用TensorFlow 61
4.1 關於TensorFlow 61
4.2 移動機器學習應用程式的體系結構 64
4.3 使用TensorFlow模型編寫移動應用程式 68
4.3.1 編寫第一個程式 68
4.3.2 創建Android應用程式 71
4.4 小結 76
第5章 在iOS中使用Core ML進行回歸 77
5.1 回歸簡介 77
5.2 了解Core ML的基礎 81
5.3 在Core ML中使用回歸解決問題 84
5.3.1 技術要求 84
5.3.2 如何使用scikit-learn創建模型檔案 84
5.3.3 運行和測試模型 87
5.3.4 將模型導入iOS項目 88
5.3.5 編寫iOS應用程式 88
5.3.6 運行iOS應用程式 90
5.4 深入閱讀 90
5.5 小結 91
第6章 ML Kit SDK 93
6.1 理解ML Kit 93
6.2 使用Firebase設備上的API創建文本識別套用 97
6.3 使用Firebase雲端API創建文本識別套用 103
6.4 使用ML Kit進行人臉檢測 106
6.4.1 人臉檢測概念 106
6.4.2 使用ML Kit進行臉部檢測的示例解決方案 107
6.4.3 運行應用程式 109
6.5 小結 110
第7章 垃圾郵件檢測 111
7.1 理解NLP 111
7.1.1 關於NLP 111
7.1.2 文本預處理技術 113
7.1.3 特徵工程 114
7.1.4 分類/聚類文本 115
7.2 理解線性SVM算法 115
7.3 在Core ML中使用線性SVM解決問題 117
7.3.1 關於數據 117
7.3.2 技術要求 118
7.3.3 使用Scikit Learn創建模型檔案 118
7.3.4 將scikit-learn模型轉換為Core ML模型 119
7.3.5 編寫iOS應用程式 120
7.4 小結 124
第8章 Fritz 125
8.1 關於Fritz 126
8.1.1 預建機器學習模型 126
8.1.2 使用自定義模型的能力 126
8.1.3 模型管理 126
8.2 使用Fritz的實戰示例 127
8.2.1 通過Fritz使用現有的TensorFlow for mobile模型 127
8.2.2 使用Fritz預製模型創建Android應用程式 138
8.2.3 在使用Fritz的iOS應用程式中使用現有的Core ML模型 145
8.3 小結 150
第9章 移動設備上的神經網路 151
9.1 神經網路介紹 151
9.1.1 神經元的通信步驟 151
9.1.2 激活函式 152
9.1.3 神經元的排列 153
9.1.4 神經網路的類型 154
9.2 圖像識別解決方案 154
9.3 創建TensorFlow圖像識別模型 154
9.3.1 關於TensorFlow的作用 155
9.3.2 重新訓練模型 156
9.3.3 將TensorFlow模型轉換為Core ML模型 161
9.3.4 編寫iOS移動應用程式 165
9.4 手寫數字識別解決方案 168
9.5 關於Keras 169
9.6 安裝Keras 169
9.7 求解問題 169
9.7.1 定義問題陳述 170
9.7.2 問題方案 171
9.8 小結 180
第10章 使用Google Cloud Vision的移動應用程式 181
10.1 關於Google Cloud Vision的功能 181
10.2 使用Google Cloud Vision的示例移動應用程式 182
10.2.1 標籤檢測的工作原理 182
10.2.2 先決條件 183
10.2.3 準備工作 184
10.2.4 理解套用 185
10.2.5 輸出 186
10.3 小結 187
第11章 移動應用程式上機器學習的未來 189
11.1 主要的機器學習移動應用程式 189
11.1.1 Facebook 190
11.1.2 Google Maps 190
11.1.3 Snapchat 190
11.1.4 Tinder 190
11.1.5 Netflix 190
11.1.6 Oval Money 191
11.1.7 ImprompDo 191
11.1.8 Dango 191
11.1.9 Carat 191
11.1.10 Uber 191
11.1.11 GBoard 191
11.2 主要創新領域 191
11.2.1 個性化套用 192
11.2.2 衛生保健 192
11.2.3 有針對性的促銷和行銷 192
11.2.4 視聽識別 192
11.2.5 電子商務 192
11.2.6 財務管理 193
11.2.7 遊戲與娛樂 193
11.2.8 企業套用 193
11.2.9 房地產 194
11.2.10 農業 194
11.2.11 能源 194
11.2.12 移動安全 195
11.3 利益相關者的機會 195
11.3.1 硬體製造商 195
11.3.2 移動作業系統供應商 196
11.3.3 第三方移動機器學習 SDK提供商 196
11.3.4 機器學習移動應用程式開發人員 196
11.4 小結 197
附錄A 問題與答案 199
A.1 常見問題解答 199
A.1.1 數據科學 199
A.1.2 機器學習框架 201
A.1.3 移動機器學習項目實現 204
A.1.4 安裝 206
A.2 參考文獻 207
