本书介绍了自动特征工程、模型和超参数调优、基于梯度的方法等基础技术，带领读者探索在开源工具中实现这些技术的不同方式。本书还从企业工具出发，介绍在三个主要云服务提供商中使用自动机器学习的不同方法：Microsoft Azure、Amazon Web Services（AWS）和Google Cloud Platform（GCP）。进一步通过使用自动机器学习构建机器学习模型来探索云自动机器学习平台的功能。后面的章节将展示如何通过自动机器学习来开发耗时长、包含重复任务的精准模型。 本书可作为计算机科学、数据科学、机器学习、人工智能等专业学生的学习资料，也可作为相关从业者或希望使用开源工具与云平台自动构建机器学习模型的读者的参考资料。

第1章 走进自动机器学
1.1 机器学开发生命周期
1.2 自动机器学简介
1.3 自动机器学的工作原理
1.4 数据科学的大众化
1.5 揭穿自动机器学的迷思
1.6 自动机器学生态系统
1.7 小结
第2章 自动机器学、算法和技术
2.1 自动机器学概述
2.2 自动征工程
2.3 参数化
2.4 经架构搜索
2.5 小结
第3章 使用开源工具和库进行自动机器学
3.1 技术要求
3.2 自动机器学的开源生态系统
3.3 TPOT
3.4 Featuretools
3.5 Microsoft NNI
3.6 auto-sklearn
3.7 AutoKeras
3.8 Ludwig
3.9 AutoGluon
3.10 小结
第4章 Azure Machine Learning
4.1 Azure Machine Learning入门
4.2 Azure Machine Learning栈
4.3 Azure Machine Learning服务
4.4 使用Azure Machine Learning建模
4.5 使用Azure Machine Learning署和测试模型
4.6 小结
第5章 使用Azure进行自动机器学
5.1 Azure中的自动机器学
5.2 使用自动机器学进行时间序列预测
5.3 小结
第6章 使用AWS进行机器学
6.1 AWS环境中的机器学
6.2 开始使用AWS
6.3 使用Amazon SageMaker Autopilot
6.4 使用Amazon SageMaker JumpStart
6.5 小结
第7章 使用Amazon SageMaker Autopilot进行自动机器学
7.1 技术要求
7.2 创建Amazon SageMaker Autopilot受限实验
7.3 创建AutoML 实验
7.4 运行SageMaker Autopilot实验并署模型
7.5 构建并运行SageMaker Autopilot实验
7.6 小结
第8章 使用Google Cloud Platform进行机器学
8.1 Google Cloud Platform使用入门
8.2 使用GCP实现AI和ML
8.3 Google Cloud AI Platform和AI Hub
8.4 Google Cloud AI Platform使用入门
8.5 使用Google Cloud进行AutoML
8.6 小结
第9章 使用GCP进行自动机器学
9.1 Google Cloud AutoML Tables
9.2 创建AutoML Tables实验
9.3 了解AutoML Tables模型署
9.4 在AutoML Tables上使用BigQuery公共数据集
9.5 自动机器学做格预测
9.6 小结
第10章 企业中的自动机器学
10.1 企业是否需要自动机器学
10.2 自动机器学——企业高级分析的加速器
10.3 自动机器学的挑战和机遇
10.4 建立信任——自动机器学中的模型可解释性和透明度
10.5 在企业中引入自动机器学
10.6 总结与展望