機器學習開發(fā)實戰(zhàn)（英文版）

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人工智能學科的誕生 6學習原理 7什么是智能軟件 7神經(jīng)元是如何工作的 8大棒加胡蘿卜法 14應變能力 15人工智能的形式 16原始智能 16專家系統(tǒng) 16自治系統(tǒng) 19人工情感的形式 20小結 22第2章　智能軟件 23應用人工智能 23　軟件智能的發(fā)展 24　專家系統(tǒng) 25通用人工智能 27　無監(jiān)督學習 27　監(jiān)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更復雜的問題 40　圖像分類 41　目標檢測 41　文本分析 42自動機器學習 42　AutoML平臺概述 42　AutoML模型構建器實戰(zhàn) 45小結 48第4章　機器學習解決方案的一般步驟 49數(shù)據(jù)收集 50　組織中的數(shù)據(jù)驅動文化 50　存儲選項 51數(shù)據(jù)準備 52　提高數(shù)據(jù)質量 53　清洗數(shù)據(jù) 53　特征工程 54　最終確定訓練數(shù)據(jù)集 56模型選擇及訓練 58　算法速查表 59　神經(jīng)網(wǎng)絡案例 61　評估模型性能 62模型部署 64　選擇合適的主機平臺 64　公開API 65小結 66第5章　數(shù)據(jù)因素 67數(shù)據(jù)質量 67　數(shù)據(jù)有效性 68　數(shù)據(jù)收集 69數(shù)據(jù)完整性 70　完備性 70　唯一性 70　及時性 71　準確性 71　一致性 71什么是數(shù)據(jù)科學家 71　工作中的數(shù)據(jù)科學家 72　數(shù)據(jù)科學家的工具箱 73　數(shù)據(jù)科學家和軟件開發(fā)人員 73小結 74第二部分　NET中的機器學習第6章　NET方式 77為什么用/不用Python 78　為什么Python在機器學習中如此受歡迎 78　Python機器學習庫的分類 80　基于Python模型的端到端解決方案 82MLNET簡介 83　在MLNET中創(chuàng)建和使用模型 84　學習環(huán)境的要素 87小結 91第7章　實現(xiàn)MLNET管道 93從數(shù)據(jù)開始 93　探索數(shù)據(jù)集 94　應用公共數(shù)據(jù)轉換 94　關于數(shù)據(jù)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　計劃測試階段 97　指標預覽 98從客戶端應用程序中預測價格 99　獲取模型文件 99　設置ASPNET應用程序 99　預測出租車費用 100　設計適當?shù)挠脩艚缑?102　質疑數(shù)據(jù)和解決問題的方法 103小結 103第8章　MLNET任務和算法 105MLNET的整體框架 105　涉及的類型和接口 105　數(shù)據(jù)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(shù)據(jù) 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　應用必要的數(shù)據(jù)轉換 127　模型的構建和訓練 129　關于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(shù)學基礎 135統(tǒng)計數(shù)據(jù) 135　均值 136　眾數(shù) 138　中位數(shù) 139偏差和方差 141　方差 142　偏差 144數(shù)據(jù)表示 145　五數(shù)概括法 145　直方圖 146　散點圖 148　散點圖矩陣 148　以適當?shù)谋壤L制 149小結 150第10章　機器學習的度量 151統(tǒng)計與機器學習 151　機器學習的終極目標 152　從統(tǒng)計模型到機器學習模型 153機器學習模型的評價 155　從數(shù)據(jù)集到預測 155　測量模型的精度 157為處理準備數(shù)據(jù) 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(shù)據(jù)指導預測結果 166　對關系做假設 167線性算法 169　總體思路 169　確定代價函數(shù) 170　普通的最小二乘算法 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　進行復雜的預測和決策：決策樹 181問題 181　什么是樹 182　機器學習中的樹 183　基于樹的算法示例 183基于樹的算法的設計原理 185　決策樹與專家系統(tǒng) 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 197bagging技術 198　隨機森林算法 198　算法步驟 200　優(yōu)點與缺點 202boosting技術 203　boosting的功能 203　梯度boosting 206　優(yōu)點與缺點 210小結 210第14章　概率方法：樸素貝葉斯 211貝葉斯統(tǒng)計快速入門 211　貝葉斯概率簡介 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(tǒng)計在分類中的應用 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　貝葉斯線性回歸的應用 228小結 228第15章　對數(shù)據(jù)進行分組：分類與聚類 229有監(jiān)督分類的基本方法 230　K–近鄰算法 230　算法步驟 232　應用場景 234支持向量機 235　算法概述 235　數(shù)學知識回顧 239　算法步驟 240無監(jiān)督聚類 245　應用案例：縮減數(shù)據(jù)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(jīng)網(wǎng)絡 255神經(jīng)網(wǎng)絡簡史 255　McCulloch-Pitt神經(jīng)元 255　前饋網(wǎng)絡 256　更復雜的網(wǎng)絡 256人工神經(jīng)元的類型 257　感知機神經(jīng)元 257　邏輯神經(jīng)元 260訓練神經(jīng)網(wǎng)絡 263　整體學習策略 263　反向傳播算法 264小結 270第17章　神經(jīng)網(wǎng)絡的設計 273神經(jīng)網(wǎng)絡概覽 273　激活函數(shù) 274　隱層 277　輸出層 281構建神經(jīng)網(wǎng)絡 282　現(xiàn)成的框架 282　你的第一個Keras神經(jīng)網(wǎng)絡 284　神經(jīng)網(wǎng)絡與其他算法 287小結 289第18章　其他類型的神經(jīng)網(wǎng)絡 291前饋神經(jīng)網(wǎng)絡的常見問題 291遞歸神經(jīng)網(wǎng)絡 292　有狀態(tài)神經(jīng)網(wǎng)絡的結構 292　LSTM神經(jīng)網(wǎng)絡 295卷積神經(jīng)網(wǎng)絡 298　圖像分類與識別 298　卷積層 299　池化層 301　全連接層 303神經(jīng)網(wǎng)絡的進一步發(fā)展 304　生成對抗神經(jīng)網(wǎng)絡 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(shù)據(jù) 310　對問題進行形式化 310　獲取數(shù)據(jù) 311　處理數(shù)據(jù) 311　關于中間格式的注意事項 313訓練模型 313　選擇生態(tài)系統(tǒng) 314　建立單詞字典 314　選擇訓練器 315　網(wǎng)絡的其他方面 319客戶端應用 321　獲取模型的輸入 321　從模型中預測 322　將響應轉化為可用信息 323小結 323第五部分　思考第20章　面向現(xiàn)實世界的AI云服務 327Azure認知服務 327Azure機器學習工作室 329　Azure機器學習服務 331　數(shù)據(jù)科學虛擬機 333本地服務 333　SQL Server機器學習服務 333　機器學習服務器 334微軟數(shù)據(jù)處理服務 334　Azure數(shù)據(jù)湖 334　Azure Databricks 334　Azure HDInsight 335　用于Apache Spark的NET 335　Azure數(shù)據(jù)分享 336　Azure數(shù)據(jù)工廠 336小結 336第21章　人工智能的商業(yè)愿景 339工業(yè)界對AI的看法 339　挖掘潛能 339　AI可以為你做什么 340　面臨的挑戰(zhàn) 342端到端解決方案 343　我們就叫它咨詢吧 344　軟件和數(shù)據(jù)科學之間的界線 344　敏捷AI 346小結 349Contents PART I LAYING THE GROUNDWORK OF MACHINE LEARNING Chapter 1 How Humans Learn 3 The Journey Toward Thinking Machines 4 The Dawn of Mechanical Reasoning 4 Godel’s Incompleteness Theorems 4 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 Approach 14 Adaptability to Changes 15 Artificial Forms of Intelligence 16 Primordial Intelligence