機器學習開發實戰

譯者序
前言
致謝


作者簡介



第一部分　機器學習基礎
第1章　人類是如何學習的　2
1.1　邁向思考型機器　2
1.1.1　機器推理的曙光　3
1.1.2　哥德爾不完備定理　3
1.1.3　計算機的形式化　3
1.1.4　邁向人類思想的形式化　4
1.1.5　人工智慧學科的誕生　5
1.2　學習機理　6
1.2.1　到底什麼是智慧軟件　6
1.2.2　神經元是如何工作的　7
1.2.3　胡蘿蔔加大棒法
（軟硬兼施）　10
1.2.4　應變能力　12
1.3　人工智慧的形式　13
1.3.1　原始智能　13
1.3.2　專家系統　13
1.3.3　自治系統　15
1.3.4　人工的情感形式　17
1.4　本章小結　18
第2章　智能軟件　19
2.1　應用人工智慧　19
2.1.1　軟件智慧的發展　19
2.1.2　專家系統　20
2.2　通用人工智慧　22
2.2.1　無監督學習　22
2.2.2　監督學習　24
2.3　本章小結　26
第3章　映射問題和算法　27
3.1　基本問題　27
3.1.1　對象分類　28
3.1.2　結果預測　30
3.1.3　對象分組　31
3.2　更複雜的問題　33
3.2.1　圖像分類　33
3.2.2　目標檢測　34
3.2.3　文本分析　34
3.3　自動機器學習　35
3.3.1　AutoML平臺的
特性　35
3.3.2　運行中的AutoML Model Builder　37
3.4　本章小結　40
第4章　機器學習解決方案的
一般步驟　42
4.1　數據收集　42
4.1.1　組織中的數據驅動文化　43
4.1.2　存儲選項　44
4.2　數據準備　45
4.2.1　提高數據品質　45
4.2.2　清理數據　46
4.2.3　特徵工程　47
4.2.4　最終確定訓練數據集　48
4.3　模型選擇及訓練　50
4.3.1　算法備忘錄　51
4.3.2　神經網路案例　53
4.3.3　評估模型性能　54
4.4　模型部署　55
4.4.1　選擇合適的主機平臺　55
4.4.2　公開API　56
4.5　本章小結　56
第5章　數據因素　58
5.1　數據品質　58
5.1.1　數據有效性　58
5.1.2　數據收集　59
5.2　數據完整性　60
5.2.1　完備性　61
5.2.2　唯一性　61
5.2.3　及時性　61
5.2.4　準確性　61
5.2.5　一致性　62
5.3　到底什麼是數據科學家　62
5.3.1　工作中的數據科學家　62
5.3.2　數據科學家工具箱　63
5.3.3　數據科學家和軟件
開發人員　63
5.4　本章小結　64

第二部分　.NET中的機器學習
第6章　.NET方式　66
6.1　為什麼用或不用Python　67
6.1.1　為什麼在機器學習中
Python如此受歡迎　67
6.1.2　Python機器學習庫的
分類　68
6.1.3　基於Python模型的端到
端解決方案　70
6.2　ML.NET簡介　72
6.2.1　在ML.NET中創建和
使用模型　72
6.2.2　學習環境的要素　74
6.3　本章小結　78
第7章　實現ML.NET管道　79
7.1　從數據開始　79
7.1.1　探索數據集　80
7.1.2　應用公共數據轉換　80
7.1.3　關於數據集的注意事項　81
7.2　訓練步驟　81
7.2.1　選擇算法　82
7.2.2　評估算法的性能　82
7.2.3　計畫測試階段　83
7.2.4　指標預覽　83
7.3　從用戶端應用程式中預測價格　84
7.3.1　獲取模型檔　84
7.3.2　設置ASP.NET應用程式　85
7.3.3　預測計程車費　85
7.3.4　設計適當的使用者介面　87
7.3.5　質疑數據和解決問題的
方法　88
7.4　本章小結　88
第8章　ML.NET任務及算法　89
8.1　ML.NET的整體框架　89
8.1.1　涉及的類型和介面　89
8.1.2　數據表示　90
8.1.3　支援的目錄　92
8.2　分類任務　94
8.2.1　二值分類　94
8.2.2　多分類　98
8.3　聚類任務　103
8.3.1　準備工作數據　103
8.3.2　訓練模型　104
8.3.3　評估模型　105
8.4　遷移學習　107
8.4.1　建立圖像分類器的步驟　108
8.4.2　應用必要的數據轉換　108
8.4.3　模型的構建和訓練　110
8.4.4　關於遷移學習的補充
說明　112
8.5　本章小結　112

第三部分　淺層學習基礎
第9章　機器學習的數學基礎　114
9.1　統計數據　114
9.1.1　統計平均值　115
9.1.2　統計眾數　117
9.1.3　統計中位數　118
9.2　偏差和方差　119
9.2.1　統計學中的方差　120
9.2.2　統計學中的偏差　122
9.3　數據表示　122
9.3.1　五位數總結　122
9.3.2　長條圖　123
9.3.3　散點圖　124
9.3.4　散點圖矩陣　125
9.3.5　以適當的比例繪圖　125
9.4　本章小結　126
第10章　機器學習的度量　127
10.1　統計學與機器學習　127
10.1.1　機器學習的最終目標　128