- 跨平台机器学习(ML.NET架构及应用编程)
- - 作者：(意)迪诺·埃斯波西托//弗朗西斯科·埃斯波西托|责编:文开琪|译者:周靖
  - 出版社：清华大学
  - ISBN：9787302619239
  - 出版日期：2022/12/01
  - 页数：277
- 售价：39.6

内容大纲
ML.NET是面向.NET开发人员的开源机器学习框架，可以帮助开发人员使用C#或F#创建自定义机器学习模型，从而将机器学习集成到Web、移动、桌面、游戏和物联网应用中。本书以ML.NET为核心，介绍了架构及其基本知识，介绍了MLNET的八大机器学习应用场景：预测、分类、聚类、异常检查、预测、推荐、图像分类以及神经网络。
本书适合数据工程师使用和参考。
作者介绍
目录
第1章  人工智能软件
  1.1  软件的源起
    1.1.1  计算机的形式化
    1.1.2  计算机工程设计
    1.1.3  人工智能的诞生
    1.1.4  作为副作用的软件
  1.2  软件在今天的作用
    1.2.1  自动化任务
    1.2.2  反映现实世界
    1.2.3  赋能用户
  1.3  人工智能如同软件
第2章  透视ML.NET架构
  2.1  Python与机器学习
    2.1.1  Python为什么在机器学习中如此受欢迎
    2.1.2  Python机器学习库的分类
    2.1.3  Python模型顶部的端到端方案
  2.2  ML.NET概述
    2.2.1  ML.NET中的学习管道
    2.2.2  模型训练执行摘要
  2.3  使用训练好的模型
    2.3.1  使模型可从外部调用
    2.3.2  其他部署场景
    2.3.3  从数据科学到编程
  2.4  小结
第3章  ML.NET基础
  3.1  通往数据工程
    3.1.1  数据科学家的角色
    3.1.2  数据工程师的角色
    3.1.3  机器学习工程师的角色
  3.2  从什么数据开始
    3.2.1  理解可用的数据
    3.2.2  构建数据处理管道
  3.3  训练步骤
    3.3.1  选择算法
    3.3.2  衡量算法的实际价值
    3.3.3  计划测试阶段
    3.3.4  关于指标
  3.4  在客户端应用程序中使用模型
    3.4.1  获取模型文件
    3.4.2  完整项目
    3.4.3  预测打车费用
    3.4.4  可伸缩性的考虑
    3.4.5  设计恰当的用户界面
  3.5  小结
第4章  预测任务
  4.1  管道和评估器链
    4.1.1  数据视图
    4.1.2  转换器
    4.1.3  估算器
    4.1.4  管道

  4.2  回归ML任务
    4.2.1  ML任务的常规方面
    4.2.2  支持的回归算法
    4.2.3  支持的校验技术
  4.3  使用回归任务
    4.3.1  可用的训练数据
    4.3.2  特征工程
    4.3.3  访问数据库内容
    4.3.4  合成训练管道
  4.4  机器学习深入思考
    4.4.1  简单线性回归
    4.4.2  非线性回归
  4.5  小结
第5章  分类任务
  5.1  二分类机器学习任务
    5.1.1  支持的算法
    5.1.2  支持的验证技术
  5.2  情感分析的二分类
    5.2.1  了解可用的训练数据
    5.2.2  特征工程
    5.2.3  合成训练管道
  5.3  多分类ML任务
  5.4  使用多分类任务
    5.4.1  了解可用的数据
    5.4.2  合成训练管道
  5.5  机器学习深入思考
    5.5.1  分类的多面性
    5.5.2  情感分析的另一个视角
  5.6  小结
第6章  聚类任务
  6.1  聚类ML任务
    6.1.1  无监督学习
    6.1.2  了解可用的训练数据
    6.1.3  特征工程
    6.1.4  聚类算法
    6.1.5  合成训练管道
    6.1.6  设置客户端应用程序
  6.2  机器学习深入思考
    6.2.1  第一步始终是聚类分析
    6.2.2  数据集的无监督缩减
  6.3  小结
第7章  异常检查任务
  7.1  什么是异常
  7.2  检查异常情况的常规方法
    7.2.1  时间序列数据
    7.2.2  统计技术
    7.2.3  机器学习方法
7
异常检查ML任务
    7.3.1  了解可用的训练数据

    7.3.2  合并训练管道
    7.3.3  设置客户端应用程序
  7.4  机器学习深入思考
    7.4.1  预测性维护
    7.4.2  金融诈骗
  7.5  小结
第8章  预测任务
  8.1  预测未来
    8.1.1  简单预测方法
    8.1.2  预测的数学基础
    8.1.3  常见的分解算法
    8.1.4  SSA算法
  8.2  预测ML任务
    8.2.1  了解可用的数据
    8.2.2  合成训练管道
    8.2.3  设置客户端应用程序
  8.3  机器学习深入思考
    8.3.1  不是公园里的随机漫步
    8.3.2  时间序列的其他方法
    8.3.3  电力生产预测
  8.4  小结
第9章  推荐任务
  9.1  深入信息检索系统
    9.1.1  排名的基本艺术
    9.1.2  推荐的灵活艺术
    9.1.3  协同过滤的精妙艺术
  9.2  ML推荐任务
    9.2.1  了解可用的数据
    9.2.2  合成训练管道
    9.2.3  设置客户端应用程序
  9.3  机器学习深入思考
    9.3.1  如果喜欢奈飞
    9.3.2  如果你不喜欢奈飞
  9.4  小结
第10章  图像分类任务
  10.1  迁移学习
    10.1.1  流行的图像处理神经网络
    10.1.2  其他图像神经网络
  10.2  通过合成进行迁移学习
    10.2.1  ML.NET中的迁移学习模式
    10.2.2  新的图像分类器的总体目标
    10.2.3  了解可用的数据
    10.2.4  合成训练管道
    10.2.5  设置客户端应用程序
  10.3  ML图像分类任务
    10.3.1  图像分类API
    10.3.2  使用图像分类API
  10.4  机器学习深入思考
    10.4.1  人脑的魔法
    10.4.2  人工打造的神经网络

    10.4.3  重新训练
  10.5  小结
第11章  神经网络概述
  11.1  前馈神经网络
    11.1.1  人工神经元
    11.1.2  网络的层级
    11.1.3  Logistic神经元
    11.1.4  训练神经网络
  11.2  更复杂的神经网络
    11.2.1  有状态神经网络
    11.2.2  卷积神经网络
    11.2.3  自动编码器
  11.3  小结
第12章  用于识别护照的神经网络
  12.1  使用Azure认知服务
    12.1.1  问题的剖析和解决方案
    12.1.2  与ID表单识别器协同工作
  12.2  自己动手打造神经网络
    12.2.1  神经网络的拓扑
    12.2.2  训练时的麻烦
  12.3  机器学习深入思考
    12.3.1  商品和垂直解决方案
    12.3.2  什么时候只能使用定制解决方案
  12.4  小结
附录  模型的可解释性

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目