《机器学习开发实战》[意]迪诺・埃斯波西托（Dino Esp | PDF下载|ePub下载

CONTENTS
目　　录
译者序
前言
致谢
作者简介
**部分　机器学习基础
第1章　人类是如何学习的　2
1.1　迈向思考型机器　2
1.1.1　机器推理的曙光　3
1.1.2　哥德尔不完备定理　3
1.1.3　计算机的形式化　3
1.1.4　迈向人类思想的形式化　4
1.1.5　人工智能学科的诞生　5
1.2　学习机理　6
1.2.1　到底什么是智能软件　6
1.2.2　神经元是如何工作的　7
1.2.3　胡萝卜加大棒法
（软硬兼施）　10
1.2.4　应变能力　12
1.3　人工智能的形式　13
1.3.1　原始智能　13
1.3.2　专家系统　13
1.3.3　自治系统　15
1.3.4　人工的情感形式　17
1.4　本章小结　18
第2章　智能软件　19
2.1　应用人工智能　19
2.1.1　软件智能的发展　19
2.1.2　专家系统　20
2.2　通用人工智能　22
2.2.1　无监督学习　22
2.2.2　监督学习　24
2.3　本章小结　26
第3章　映射问题和算法　27
3.1　基本问题　27
3.1.1　对象分类　28
3.1.2　结果预测　30
3.1.3　对象分组　31
3.2　更复杂的问题　33
3.2.1　图像分类　33
3.2.2　目标检测　34
3.2.3　文本分析　34
3.3　自动机器学习　35
3.3.1　AutoML平台的
特性　35
3.3.2　运行中的AutoML Model Builder　37
3.4　本章小结　40
第4章　机器学习解决方案的
一般步骤　42
4.1　数据收集　42
4.1.1　组织中的数据驱动文化　43
4.1.2　存储选项　44
4.2　数据准备　45
4.2.1　提高数据质量　45
4.2.2　清理数据　46
4.2.3　特征工程　47
4.2.4　*终确定训练数据集　48
4.3　模型选择及训练　50
4.3.1　算法备忘录　51
4.3.2　神经网络案例　53
4.3.3　评估模型性能　54
4.4　模型部署　55
4.4.1　选择合适的主机平台　55
4.4.2　公开API　56
4.5　本章小结　56
第5章　数据因素　58
5.1　数据质量　58
5.1.1　数据有效性　58
5.1.2　数据收集　59
5.2　数据完整性　60
5.2.1　完备性　61
5.2.2　唯一性　61
5.2.3　及时性　61
5.2.4　准确性　61
5.2.5　一致性　62
5.3　到底什么是数据科学家　62
5.3.1　工作中的数据科学家　62
5.3.2　数据科学家工具箱　63
5.3.3　数据科学家和软件
开发人员　63
5.4　本章小结　64
第二部分　.NET中的机器学习
第6章　.NET方式　66
6.1　为什么用或不用Python　67
6.1.1　为什么在机器学习中
Python如此受欢迎　67
6.1.2　Python机器学习库的
分类　68
6.1.3　基于Python模型的端到
端解决方案　70
6.2　ML.NET简介　72
6.2.1　在ML.NET中创建和
使用模型　72
6.2.2　学习环境的要素　74
6.3　本章小结　78
第7章　实现ML.NET管道　79
7.1　从数据开始　79
7.1.1　探索数据集　80
7.1.2　应用公共数据转换　80
7.1.3　关于数据集的注意事项　81
7.2　训练步骤　81
7.2.1　选择算法　82
7.2.2　评估算法的性能　82
7.2.3　计划测试阶段　83
7.2.4　指标预览　83
7.3　从客户端应用程序中预测价格　84
7.3.1　获取模型文件　84
7.3.2　设置ASP.NET应用程序　85
7.3.3　预测出租车费　85
7.3.4　设计适当的用户界面　87
7.3.5　质疑数据和解决问题的
方法　88
7.4　本章小结　88
第8章　ML.NET任务及算法　89
8.1　ML.NET的整体框架　89
8.1.1　涉及的类型和接口　89
8.1.2　数据表示　90
8.1.3　支持的目录　92
8.2　分类任务　94
8.2.1　二值分类　94
8.2.2　多分类　98
8.3　聚类任务　103
8.3.1　准备工作数据　103
8.3.2　训练模型　104
8.3.3　评估模型　105
8.4　迁移学习　107
8.4.1　建立图像分类器的步骤　108
8.4.2　应用必要的数据转换　108
8.4.3　模型的构建和训练　110
8.4.4　关于迁移学习的补充
说明　112
8.5　本章小结　112
第三部分　浅层学习基础
第9章　机器学习的数学基础　114
9.1　统计数据　114
9.1.1　统计平均值　115
9.1.2　统计众数　117
9.1.3　统计中位数　118
9.2　偏差和方差　119
9.2.1　统计学中的方差　120
9.2.2　统计学中的偏差　122
9.3　数据表示　122
9.3.1　五位数总结　122
9.3.2　直方图　123
9.3.3　散点图　124
9.3.4　散点图矩阵　125
9.3.5　以适当的比例绘图　125
9.4　本章小结　126
第10章　机器学习的度量　127
10.1　统计学与机器学习　127
10.1.1　机器学习的*终目标　128