機器學(xué)習(xí)開發(fā)實戰(zhàn)（英文版）

第一部分　機器學(xué)習(xí)基礎(chǔ)第1章　人類是如何學(xué)習(xí)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(xué)科的誕生 6學(xué)習(xí)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(yīng)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(jié) 22第2章　智能軟件 23應(yīng)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(xué)習(xí) 27　監(jiān)督學(xué)習(xí) 29小結(jié) 32第3章　映射問題和算法 33基本問題 33　對象分類 34　結(jié)果預(yù)測 36　對象分組 38更復(fù)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(xué)習(xí) 42　AutoML平臺概述 42　AutoML模型構(gòu)建器實戰(zhàn) 45小結(jié) 48第4章　機器學(xué)習(xí)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(qū)動文化 50　存儲選項 51數(shù)據(jù)準備 52　提高數(shù)據(jù)質(zhì)量 53　清洗數(shù)據(jù) 53　特征工程 54　最終確定訓(xùn)練數(shù)據(jù)集 56模型選擇及訓(xùn)練 58　算法速查表 59　神經(jīng)網(wǎng)絡(luò)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(jié) 66第5章　數(shù)據(jù)因素 67數(shù)據(jù)質(zhì)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(xué)家 71　工作中的數(shù)據(jù)科學(xué)家 72　數(shù)據(jù)科學(xué)家的工具箱 73　數(shù)據(jù)科學(xué)家和軟件開發(fā)人員 73小結(jié) 74第二部分　NET中的機器學(xué)習(xí)第6章　NET方式 77為什么用/不用Python 78　為什么Python在機器學(xué)習(xí)中如此受歡迎 78　Python機器學(xué)習(xí)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(xué)習(xí)環(huán)境的要素 87小結(jié) 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(yīng)用公共數(shù)據(jù)轉(zhuǎn)換 94　關(guān)于數(shù)據(jù)集的注意事項 95訓(xùn)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(yù)覽 98從客戶端應(yīng)用程序中預(yù)測價格 99　獲取模型文件 99　設(shè)置ASPNET應(yīng)用程序 99　預(yù)測出租車費用 100　設(shè)計適當(dāng)?shù)挠脩艚缑?102　質(zhì)疑數(shù)據(jù)和解決問題的方法 103小結(jié) 103第8章　MLNET任務(wù)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(wù) 111　二進制分類 111　多類分類 116聚類任務(wù) 122　準備工作數(shù)據(jù) 122　訓(xùn)練模型 123　評估模型 124遷移學(xué)習(xí) 126　建立圖像分類器的步驟 127　應(yīng)用必要的數(shù)據(jù)轉(zhuǎn)換 127　模型的構(gòu)建和訓(xùn)練 129　關(guān)于遷移學(xué)習(xí)的補充說明 131小結(jié) 132第三部分　淺層學(xué)習(xí)基礎(chǔ)第9章　機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ) 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(dāng)?shù)谋壤L制 149小結(jié) 150第10章　機器學(xué)習(xí)的度量 151統(tǒng)計與機器學(xué)習(xí) 151　機器學(xué)習(xí)的終極目標 152　從統(tǒng)計模型到機器學(xué)習(xí)模型 153機器學(xué)習(xí)模型的評價 155　從數(shù)據(jù)集到預(yù)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(jié) 163第11章　進行簡單預(yù)測：線性回歸 165問題 165　用數(shù)據(jù)指導(dǎo)預(yù)測結(jié)果 166　對關(guān)系做假設(shè) 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(jié) 180第12章　進行復(fù)雜的預(yù)測和決策：決策樹 181問題 181　什么是樹 182　機器學(xué)習(xí)中的樹 183　基于樹的算法示例 183基于樹的算法的設(shè)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(jié) 196第13章　進行更好的決策：集成學(xué)習(xí)算法 197問題 197bagging技術(shù) 198　隨機森林算法 198　算法步驟 200　優(yōu)點與缺點 202boosting技術(shù) 203　boosting的功能 203　梯度boosting 206　優(yōu)點與缺點 210小結(jié) 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(yīng)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(chǔ) 226　貝葉斯線性回歸的應(yīng)用 228小結(jié) 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(yīng)用場景 234支持向量機 235　算法概述 235　數(shù)學(xué)知識回顧 239　算法步驟 240無監(jiān)督聚類 245　應(yīng)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(jié) 251第四部分　深度學(xué)習(xí)基礎(chǔ)第16章　前饋神經(jīng)網(wǎng)絡(luò) 255神經(jīng)網(wǎng)絡(luò)簡史 255　McCulloch-Pitt神經(jīng)元 255　前饋網(wǎng)絡(luò) 256　更復(fù)雜的網(wǎng)絡(luò) 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(xùn)練神經(jīng)網(wǎng)絡(luò) 263　整體學(xué)習(xí)策略 263　反向傳播算法 264小結(jié) 270第17章　神經(jīng)網(wǎng)絡(luò)的設(shè)計 273神經(jīng)網(wǎng)絡(luò)概覽 273　激活函數(shù) 274　隱層 277　輸出層 281構(gòu)建神經(jīng)網(wǎng)絡(luò) 282　現(xiàn)成的框架 282　你的第一個Keras神經(jīng)網(wǎng)絡(luò) 284　神經(jīng)網(wǎng)絡(luò)與其他算法 287小結(jié) 289第18章　其他類型的神經(jīng)網(wǎng)絡(luò) 291前饋神經(jīng)網(wǎng)絡(luò)的常見問題 291遞歸神經(jīng)網(wǎng)絡(luò) 292　有狀態(tài)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 292　LSTM神經(jīng)網(wǎng)絡(luò) 295卷積神經(jīng)網(wǎng)絡(luò) 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(luò)的進一步發(fā)展 304　生成對抗神經(jīng)網(wǎng)絡(luò) 304　自動編碼器 305小結(jié) 307第19章　情感分析：端到端解決方案 309為訓(xùn)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(guān)于中間格式的注意事項 313訓(xùn)練模型 313　選擇生態(tài)系統(tǒng) 314　建立單詞字典 314　選擇訓(xùn)練器 315　網(wǎng)絡(luò)的其他方面 319客戶端應(yīng)用 321　獲取模型的輸入 321　從模型中預(yù)測 322　將響應(yīng)轉(zhuǎn)化為可用信息 323小結(jié) 323第五部分　思考第20章　面向現(xiàn)實世界的AI云服務(wù) 327Azure認知服務(wù) 327Azure機器學(xué)習(xí)工作室 329　Azure機器學(xué)習(xí)服務(wù) 331　數(shù)據(jù)科學(xué)虛擬機 333本地服務(wù) 333　SQL Server機器學(xué)習(xí)服務(wù) 333　機器學(xué)習(xí)服務(wù)器 334微軟數(shù)據(jù)處理服務(wù) 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(jié) 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(xué)之間的界線 344　敏捷AI 346小結(jié) 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