基本信息
| 书名： |
自动机器学与实践：使用Python |
| 作者： |
西班扬·达斯，乌米特·卡卡马克 |
| 出版社： |
华中科技大学出版社 |
| 出版日期： |
2019-12-01 |
| 版次： |
|
| ISBN： |
9787568049528 |
| 市场价： |
72.9 |
目录
第1章 AutoML简介 1
1.1 机器学围 2
1.2 什么是AutoML 4
1.3 为什么和怎么用AutoML 10
1.4 何时需要将机器学化 11
1.5 能学到什么 11
1.6 AutoML库概述 13
1.7 总结 23
第2章 Python机器学 25
2.1 技术要求 26
2.2 机器学6
2.3 线性回归 28
2.4 重要评估指标——回归算法 37
2.5 逻辑回归 39
2.6 重要评估指标——分类算法 44
2.7 决策树 46
2.8 支持向量机 49
2.9 邻算法 52
2.10 集成方法 54
2.11 分类器结果对比 59
2.12 交叉验证 60
2.13 聚类 61
2.14 总结 66
第3章 数据预处理 67
3.1 技术要求 68
3.2 数据转换 68
3.3 特征选择 97
3.4 特征生成 103
3.5 总结 105
第4章 自动化算法选择 107
4.1 技术要求 108
4.2 计算复杂度 108
4.3 训练时间和推理时间的区别 110
4.4 线性与非线性 119
4.5 必要特征转换 124
4.6 监督机器学25
4.7 无监督AutoML 132
4.8 总结 157
第5章 超参数优化 159
5.1 技术要求 160
5.2 超参数 161
5.3 热启动 173
5.4 贝叶斯超参数优化 174
5.5 示例系统 175
5.6 总结 178
第6章 创建AutoML流水线 179
6.1 技术要求 180
6.2 机器学线简介 180
6.3 简单的流水线 182
6.4 函数转换器 184
6.5 复杂流水线 187
6.6 总结 190
第7章 深度学 191
7.1 技术要求 192
7.2 神经网络概览 192
7.3 使用Keras的前馈神经网络 198
7.4 自编码器 201
7.5 卷积神经网络 205
7.6 总结 210
第8章 机器学据科学项目的 211
8.1 机器学 211
8.2 机器学衡 221
8.3 典型数据科学项目的参与模型 222
8.4 参与模型的阶段 223
8.5 总结 228
作者简介 230
索引 231
?
内容介绍
AutoML可以将部分机器学自动化，减轻数据科学从业者的工作负担，深受分析人员的喜爱。本书介绍搭建AutoML模块的基础知识，并通过练读者消化这些知识。读者将学机器学线自动实现数据预处理、特征选择、模型训练、模型优化等任务，学auto-sklearn和MLBox等已有的自动化库，并且创建和扩展自定义的AutoML环节。阅读本书，你将对AutoML有更清晰的认识，能利用真实数据集完成自动化任务。书中知识可运用到实际的机器学中，或者在机器学中助你一臂之力。
在线试读
媒体评论
自动机器学好书，示例清晰，讲解透彻，！ ——亚*逊读者 UVphoton 这本书让我这个门外汉掌握了自动机器学本原理，很适合程序员读。 ——亚*逊读者 Greg Hecht 网上有不少免费的机器学，但都缺少条理，后悔没有早点买这本书。 ——亚*逊读者 Jon Froiland 我喜欢这样的书，既有大局观，又把技术细节交待清楚了。 ——亚*逊读者 Jano
国内*本讲解自动机器学与方法的书。
这本《TensorFlow机器学习（原书第2版）》教你如何使用TensorFlow库，快速构建出强大的机器学习模型，包括深度语音分类器，面部识别和CIFAR-10自动编码等。书中给出了一些玩法，让你可以直接开始构建自己的机器学习模型，而不需要太多的前置知识。如果你想了解更多关于机器学习的内容，这本书是一个不错的选择。
