机器学习开发实战（英文版）

第一部分　机器学习基础第1章　人类是如何学习的 3迈向思考型机器 4机器推理的曙光 4哥德尔不完备定理 4计算机的形式化 5迈向人类思想的形式化 5人工智能学科的诞生 6学习原理 7什么是智能软件 7神经元是如何工作的 8大棒加胡萝卜法 14应变能力 15人工智能的形式 16原始智能 16专家系统 16自治系统 19人工情感的形式 20小结 22第2章　智能软件 23应用人工智能 23　软件智能的发展 24　专家系统 25通用人工智能 27　无监督学习 27　监督学习 29小结 32第3章　映射问题和算法 33基本问题 33　对象分类 34　结果预测 36　对象分组 38更复杂的问题 40　图像分类 41　目标检测 41　文本分析 42自动机器学习 42　AutoML平台概述 42　AutoML模型构建器实战 45小结 48第4章　机器学习解决方案的一般步骤 49数据收集 50　组织中的数据驱动文化 50　存储选项 51数据准备 52　提高数据质量 53　清洗数据 53　特征工程 54　最终确定训练数据集 56模型选择及训练 58　算法速查表 59　神经网络案例 61　评估模型性能 62模型部署 64　选择合适的主机平台 64　公开API 65小结 66第5章　数据因素 67数据质量 67　数据有效性 68　数据收集 69数据完整性 70　完备性 70　唯一性 70　及时性 71　准确性 71　一致性 71什么是数据科学家 71　工作中的数据科学家 72　数据科学家的工具箱 73　数据科学家和软件开发人员 73小结 74第二部分　NET中的机器学习第6章　NET方式 77为什么用/不用Python 78　为什么Python在机器学习中如此受欢迎 78　Python机器学习库的分类 80　基于Python模型的端到端解决方案 82MLNET简介 83　在MLNET中创建和使用模型 84　学习环境的要素 87小结 91第7章　实现MLNET管道 93从数据开始 93　探索数据集 94　应用公共数据转换 94　关于数据集的注意事项 95训练步骤 96　选择算法 96　测量算法的实际值 97　计划测试阶段 97　指标预览 98从客户端应用程序中预测价格 99　获取模型文件 99　设置ASPNET应用程序 99　预测出租车费用 100　设计适当的用户界面 102　质疑数据和解决问题的方法 103小结 103第8章　MLNET任务和算法 105MLNET的整体框架 105　涉及的类型和接口 105　数据表示 107　支持的目录 109分类任务 111　二进制分类 111　多类分类 116聚类任务 122　准备工作数据 122　训练模型 123　评估模型 124迁移学习 126　建立图像分类器的步骤 127　应用必要的数据转换 127　模型的构建和训练 129　关于迁移学习的补充说明 131小结 132第三部分　浅层学习基础第9章　机器学习的数学基础 135统计数据 135　均值 136　众数 138　中位数 139偏差和方差 141　方差 142　偏差 144数据表示 145　五数概括法 145　直方图 146　散点图 148　散点图矩阵 148　以适当的比例绘制 149小结 150第10章　机器学习的度量 151统计与机器学习 151　机器学习的终极目标 152　从统计模型到机器学习模型 153机器学习模型的评价 155　从数据集到预测 155　测量模型的精度 157为处理准备数据 162　缩放 162　标准化 163　归一化 163小结 163第11章　进行简单预测：线性回归 165问题 165　用数据指导预测结果 166　对关系做假设 167线性算法 169　总体思路 169　确定代价函数 170　普通的最小二乘算法 171　梯度下降算法 174　判断算法的好坏 178改进解决方案 178　多项式方法 178　正则化 179小结 180第12章　进行复杂的预测和决策：决策树 181问题 181　什么是树 182　机器学习中的树 183　基于树的算法示例 183基于树的算法的设计原理 185　决策树与专家系统 185　树算法的种类 186分类树 187　CART算法的工作原理 187　ID3算法的工作原理 191回归树 194　算法的工作原理 194　剪枝 195小结 196第13章　进行更好的决策：集成学习算法 197问题 197bagging技术 198　随机森林算法 198　算法步骤 200　优点与缺点 202boosting技术 203　boosting的功能 203　梯度boosting 206　优点与缺点 210小结 210第14章　概率方法：朴素贝叶斯 211贝叶斯统计快速入门 211　贝叶斯概率简介 212　基本符号 212　贝叶斯定理 214　一个实用的代码审查示例 215贝叶斯统计在分类中的应用 216　问题的初始表述 217　简化的有效分子式 217　贝叶斯分类器实践 218朴素贝叶斯分类器 219　通用算法 219　多项式朴素贝叶斯 220　伯努利朴素贝叶斯 223　高斯朴素贝叶斯 224朴素贝叶斯回归 226　贝叶斯线性回归的基础 226　贝叶斯线性回归的应用 228小结 228第15章　对数据进行分组：分类与聚类 229有监督分类的基本方法 230　K–近邻算法 230　算法步骤 232　应用场景 234支持向量机 235　算法概述 235　数学知识回顾 239　算法步骤 240无监督聚类 245　应用案例：缩减数据集 245　K–均值算法 246　K–模型算法 247　DBSCAN算法 248小结 251第四部分　深度学习基础第16章　前馈神经网络 255神经网络简史 255　McCulloch-Pitt神经元 255　前馈网络 256　更复杂的网络 256人工神经元的类型 257　感知机神经元 257　逻辑神经元 260训练神经网络 263　整体学习策略 263　反向传播算法 264小结 270第17章　神经网络的设计 273神经网络概览 273　激活函数 274　隐层 277　输出层 281构建神经网络 282　现成的框架 282　你的第一个Keras神经网络 284　神经网络与其他算法 287小结 289第18章　其他类型的神经网络 291前馈神经网络的常见问题 291递归神经网络 292　有状态神经网络的结构 292　LSTM神经网络 295卷积神经网络 298　图像分类与识别 298　卷积层 299　池化层 301　全连接层 303神经网络的进一步发展 304　生成对抗神经网络 304　自动编码器 305小结 307第19章　情感分析：端到端解决方案 309为训练准备数据 310　对问题进行形式化 310　获取数据 311　处理数据 311　关于中间格式的注意事项 313训练模型 313　选择生态系统 314　建立单词字典 314　选择训练器 315　网络的其他方面 319客户端应用 321　获取模型的输入 321　从模型中预测 322　将响应转化为可用信息 323小结 323第五部分　思考第20章　面向现实世界的AI云服务 327Azure认知服务 327Azure机器学习工作室 329　Azure机器学习服务 331　数据科学虚拟机 333本地服务 333　SQL Server机器学习服务 333　机器学习服务器 334微软数据处理服务 334　Azure数据湖 334　Azure Databricks 334　Azure HDInsight 335　用于Apache Spark的NET 335　Azure数据分享 336　Azure数据工厂 336小结 336第21章　人工智能的商业愿景 339工业界对AI的看法 339　挖掘潜能 339　AI可以为你做什么 340　面临的挑战 342端到端解决方案 343　我们就叫它咨询吧 344　软件和数据科学之间的界线 344　敏捷AI 346小结 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