简 明 目 录
第1章 人工智能软件 001
第2章 透视ML.NET架构 011
第3章 ML.NET基础 033
第4章 预测任务 055
第5章 分类任务 091
第6章 聚类任务 125
第7章 异常检查任务 149
第8章 预测任务 177
第9章 推荐任务 199
第10章 图像分类任务 219
第11章 神经网络概述 237
第12章 用于识别护照的神经网络 255
附录 模型的可解释性 271
详 细 目 录
第1章 人工智能软件 001
1.1 软件的源起 002
1.1.1 计算机的形式化 002
1.1.2 计算机工程设计 003
1.1.3 人工智能的诞生 004
1.1.4 作为副作用的软件 004
1.2 软件在今天的作用 005
1.2.1 自动化任务 006
1.2.2 反映现实世界 007
1.2.3 赋能用户 008
1.3 人工智能如同软件 008
第2章 透视ML.NET架构 011
2.1 Python与机器学习 012
2.1.1 Python为什么在机器学习中如此受欢迎 012
2.1.2 Python机器学习库的分类 013
2.1.3 Python模型顶部的端到端方案 016
2.2 ML.NET概述 017
2.2.1 ML.NET中的学习管道 018
2.2.2 模型训练执行摘要 024
2.3 使用训练好的模型 028
2.3.1 使模型可从外部调用 029
2.3.2 其他部署场景 030
2.3.3 从数据科学到编程 030
2.4 小结 031
第3章 ML.NET基础 033
3.1 通往数据工程 033
3.1.1 数据科学家的角色 034
3.1.2 数据工程师的角色 035
3.1.3 机器学习工程师的角色 036
3.2 从什么数据开始 037
3.2.1 理解可用的数据 037
3.2.2 构建数据处理管道 040
3.3 训练步骤 043
3.3.1 选择算法 044
3.3.2 衡量算法的实际价值 045
3.3.3 计划测试阶段 046
3.3.4 关于指标 047
3.4 在客户端应用程序中使用模型 048
3.4.1 获取模型文件 049
3.4.2 完整项目 049
3.4.3 预测打车费用 050
3.4.4 可伸缩性的考虑 052
3.4.5 设计恰当的用户界面 053
3.5 小结 054
第4章 预测任务 055
4.1 管道和评估器链 056
4.1.1 数据视图 056
4.1.2 转换器 057
4.1.3 估算器 058
4.1.4 管道 059
4.2 回归ML任务 059
4.2.1 ML任务的常规方面 060
4.2.2 支持的回归算法 060
4.2.3 支持的校验技术 063
4.3 使用回归任务 066
4.3.1 可用的训练数据 066
4.3.2 特征工程 071
4.3.3 访问数据库内容 074
4.3.4 合成训练管道 077
4.4 机器学习深入思考 087
4.4.1 简单线性回归 087
4.4.2 非线性回归 088
4.5 小结 089
第5章 分类任务 091
5.1 二分类机器学习任务 091
5.1.1 支持的算法 092
5.1.2 支持的验证技术 094
5.2 情感分析的二分类 094
5.2.1 了解可用的训练数据 094
5.2.2 特征工程 098
5.2.3 合成训练管道 101
5.3 多分类ML任务 106
5.4 使用多分类任务 110
5.4.1 了解可用的数据 110
5.4.2 合成训练管道 113
5.5 机器学习深入思考 121
5.5.1 分类的多面性 121
5.5.2 情感分析的另一个视角 122
5.6 小结 123
第6章 聚类任务 125
6.1 聚类ML任务 125
6.1.1 无监督学习 126
6.1.2 了解可用的训练数据 126
6.1.3 特征工程 131
6.1.4 聚类算法 132
6.1.5 合成训练管道 137
6.1.6 设置客户端应用程序 139
6.2 机器学习深入思考 143
6.2.1 第一步始终是聚类分析 144
6.2.2 数据集的无监督缩减 145
6.3 小结 147
第7章 异常检查任务 149
7.1 什么是异常 149
7.2 检查异常情况的常规方法 150
7.2.1 时间序列数据 150
7.2.2 统计技术 153
7.2.3 机器学习方法 154
7.3 异常检查ML任务 157
7.3.1 了解可用的训练数据 157
7.3.2 合并训练管道 160
7.3.3 设置客户端应用程序 167
7.4 机器学习深入思考 171
7.4.1 预测性维护 172
7.4.2 金融诈骗 174
7.5 小结 175
第8章 预测任务 177
8.1 预测未来 177
8.1.1 简单预测方法 178
8.1.2 预测的数学基础 178
8.1.3 常见的分解算法 180
8.1.4 SSA算法 181
8.2 预测ML任务 183
8.2.1 了解可用的数据 183
8.2.2 合成训练管道 185
8.2.3 设置客户端应用程序 190
8.3 机器学习深入思考 193
8.3.1 不是公园里的随机漫步 194
8.3.2 时间序列的其他方法 194
8.3.3 电力生产预测 195
8.4 小结 198
