面向移動設備的機器學習

第1章 面向移動設備的機器學習應用程序 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(jiān)督學習 10
1.3.2 無監(jiān)督學習 12
1.3.3 半監(jiān)督學習 14
1.3.4 強化學習 15
1.3.5 機器學習的挑戰(zhàn) 16
1.4 在移動設備上進行機器學習 17
1.4.1 在移動應用程序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序所需的技能 27
1.5 小結 28
第2章 監(jiān)督學習和無監(jiān)督學習算法 29
2.1 監(jiān)督學習算法簡介 29
2.2 深入研究監(jiān)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(jiān)督學習算法簡介 41
2.4 深入研究無監(jiān)督學習算法 42
2.4.1 聚類算法 43
2.4.2 關聯(lián)規(guī)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(chuàng)建模型文件 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(chuàng)建iOS移動應用程序 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 關于TensorFlow 61
4.2 移動機器學習應用程序的體系結構 64
4.3 使用TensorFlow模型編寫移動應用程序 68
4.3.1 編寫第一個程序 68
4.3.2 創(chuàng)建Android應用程序 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(chuàng)建模型文件 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應用程序 88
5.3.6 運行iOS應用程序 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(chuàng)建文本識別應用 97
6.3 使用Firebase云端API創(chuàng)建文本識別應用 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 運行應用程序 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 關于NLP 111
7.1.2 文本預處理技術 113
7.1.3 特征工程 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 關于數據 117
7.3.2 技術要求 118
7.3.3 使用Scikit Learn創(chuàng)建模型文件 118
7.3.4 將scikit-learn模型轉換為Core ML模型 119
7.3.5 編寫iOS應用程序 120
7.4 小結 124
第8章 Fritz 125
8.1 關于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(zhàn)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預制模型創(chuàng)建Android應用程序 138
8.2.3 在使用Fritz的iOS應用程序中使用現有的Core ML模型 145
8.3 小結 150
第9章 移動設備上的神經網絡 151
9.1 神經網絡介紹 151
9.1.1 神經元的通信步驟 151
9.1.2 激活函數 152
9.1.3 神經元的排列 153
9.1.4 神經網絡的類型 154
9.2 圖像識別解決方案 154
9.3 創(chuàng)建TensorFlow圖像識別模型 154
9.3.1 關于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移動應用程序 165
9.4 手寫數字識別解決方案 168
9.5 關于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的移動應用程序 181
10.1 關于Google Cloud Vision的功能 181
10.2 使用Google Cloud Vision的示例移動應用程序 182
10.2.1 標簽檢測的工作原理 182
10.2.2 先決條件 183
10.2.3 準備工作 184
10.2.4 理解應用 185
10.2.5 輸出 186
10.3 小結 187
第11章 移動應用程序上機器學習的未來 189
11.1 主要的機器學習移動應用程序 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(chuàng)新領域 191
11.2.1 個性化應用 192
11.2.2 衛(wèi)生保健 192
11.2.3 有針對性的促銷和營銷 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 游戲與娛樂 193
11.2.8 企業(yè)應用 193
11.2.9 房地產 194
11.2.10 農業(yè) 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 硬件制造商 195
11.3.2 移動操作系統(tǒng)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序開發(fā)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