自動機器學習入門與實踐：使用Python

定　價：￥72.90

作　者：	西班揚·達斯，烏米特·卡卡馬克
出版社：	華中科技大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥72.90)

ISBN：	9787568049528	出版時間：	2019-12-01	包裝：
開本：	16開	頁數(shù)：	248	字數(shù)：

內(nèi)容簡介

　　AutoML可以將部分機器學習過程自動化，減輕數(shù)據(jù)科學從業(yè)者的工作負擔，深受高級分析人員的喜愛。本書介紹搭建AutoML模塊的基礎(chǔ)知識，并通過練習幫助讀者消化這些知識。讀者將學習使用機器學習流水線自動實現(xiàn)數(shù)據(jù)預(yù)處理、特征選擇、模型訓練、模型優(yōu)化等任務(wù)，學習應(yīng)用auto-sklearn和MLBox等已有的自動化庫，并且創(chuàng)建和擴展自定義的AutoML環(huán)節(jié)。閱讀本書，你將對AutoML有更清晰的認識，能利用真實數(shù)據(jù)集完成自動化任務(wù)。書中知識可運用到實際的機器學習項目中，或者在機器學習競賽中助你一臂之力。

作者簡介

　　Sibanjan Das是業(yè)界資深數(shù)據(jù)科學顧問，是廣獲好評的《Data Science Using Oracle Data Miner and Oracle R Enterprise》一書作者。

圖書目錄

第1章 AutoML簡介 1 1.1 機器學習的范圍 2 1.2 什么是AutoML 4 1.3 為什么和怎么用AutoML 10 1.4 何時需要將機器學習自動化 11 1.5 能學到什么 11 1.6 AutoML庫概述 13 1.7 總結(jié) 23 第2章 Python機器學習簡介 25 2.1 技術(shù)要求 26 2.2 機器學習 26 2.3 線性回歸 28 2.4 重要評估指標——回歸算法 37 2.5 邏輯回歸 39 2.6 重要評估指標——分類算法 44 2.7 決策樹 46 2.8 支持向量機 49 2.9 K近鄰算法 52 2.10 集成方法 54 2.11 分類器結(jié)果對比 59 2.12 交叉驗證 60 2.13 聚類 61 2.14 總結(jié) 66 第3章數(shù)據(jù)預(yù)處理 67 3.1 技術(shù)要求 68 3.2 數(shù)據(jù)轉(zhuǎn)換 68 3.3 特征選擇 97 3.4 特征生成 103 3.5 總結(jié) 105 第4章自動化算法選擇 107 4.1 技術(shù)要求 108 4.2 計算復(fù)雜度 108 4.3 訓練時間和推理時間的區(qū)別 110 4.4 線性與非線性 119 4.5 必要特征轉(zhuǎn)換 124 4.6 監(jiān)督機器學習 125 4.7 無監(jiān)督AutoML 132 4.8 總結(jié) 157 第5章超參數(shù)優(yōu)化 159 5.1 技術(shù)要求 160 5.2 超參數(shù) 161 5.3 熱啟動 173 5.4 貝葉斯超參數(shù)優(yōu)化 174 5.5 示例系統(tǒng) 175 5.6 總結(jié) 178 第6章創(chuàng)建AutoML流水線 179 6.1 技術(shù)要求 180 6.2 機器學習流水線簡介 180 6.3 簡單的流水線 182 6.4 函數(shù)轉(zhuǎn)換器 184 6.5 復(fù)雜流水線 187 6.6 總結(jié) 190 第7章深度學習探究 191 7.1 技術(shù)要求 192 7.2 神經(jīng)網(wǎng)絡(luò)概覽 192 7.3 使用Keras的前饋神經(jīng)網(wǎng)絡(luò) 198 7.4 自編碼器 201 7.5 卷積神經(jīng)網(wǎng)絡(luò) 205 7.6 總結(jié) 210 第8章機器學習和數(shù)據(jù)科學項目的重點 211 8.1 機器學習搜索 211 8.2 機器學習的權(quán)衡 221 8.3 典型數(shù)據(jù)科學項目的參與模型 222 8.4 參與模型的階段 223 8.5 總結(jié) 228 作者簡介 230 索引 231