基本信息
| 商品名称： | 自动机器学习入门与实践--使用Python | 开本： | |
| 作者： | (美)西班扬·达斯//乌米特·卡卡马克|责编:陈元玉|译者:谢琼娟 | 页数： | |
| 定价： | 72.9 | 出版时间： | 2019-12-01 |
| ISBN号： | | 印刷时间： | 2019-12-01 |
| 出版社： | 华中科技大学 | 版次： | 1 |
| 商品类型： | 图书 | 印次： | 1 |
内容提要： AutoML可以以将部分机器学习过程自动化，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
习帮助读者消化这些知识。读者将学习使用机器学习
流水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，学习应用auto-skleam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 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
的机器学习项目中，或者在机器学习竞赛中助你一臂
之力。
......
精 彩 页：
......
作者简介：
......
目录：第1章 AutoML简介
1.1 机器学习的范围
1.2 什么是AutoML
1.3 为什么和怎么用AutoML
1.4 何时需要将机器学习自动化
1.5 能学到什么
AutoML的核心环节
为每个环节构建原型子系统
组合形成端到端的AutoML系统
1.6 AutoML库概述
Featuretools
auto-skleam
MLBox
TPOT
1.7 总结
第2章 Python机器学习简介
2.1 技术要求
2.2 机器学习
机器学习流程
监督学习
无监督学习
2.3 线性回归
什么是线性回归
在哪里用线性回归
采用什么方法实现线性回归
2.4 重要评估指标——回归算法
2.5 逻辑回归
什么是逻辑回归
在哪里使用逻辑回归
使用什么方法实现逻辑回归
2.6 重要评估指标——分类算法
2.7 决策树
什么是决策树
在哪里使用决策树
使用什么方法实现决策树
2.8 支持向量机
什么是SVM
在哪里使用SVM
使用什么方法实现SVM
2.9 K近邻算法
什么是KNN
在哪里使用KNN
使用什么方法实现KNN
2.10 集成方法
集成模型是什么
2.11 分类器结果对比
2.12 交叉验证
2.13 聚类
什么是聚类
在哪里使用聚类
用什么方法实现聚类
层次聚类
划分聚类(KMeans)
2.14 总结
第3章 数据预处理
3.1 技术要求
3.2 数据转换
数值型数据的转换
类别型数据转换
文本预处理
3.3 特征选择
低方差特征排除
单变量特征选择
递归特征消除
随机森林特征选择
降维特征选择
3.4 特征生成
3.5 总结
第4章 自动化算法选择
4.1 技术要求
4.2 计算复杂度
大O表示法
4.3 训练时间和推理时间的区别
训练时间和推理时间的简化度量
Python代码分析
性能统计数据可视化
从头开始实现KNN
逐行分析Python脚本
4.4 线性与非线性
画出决策边界
逻辑回归的决策边界
随机森林的决策边界
常用机器学习算法
4.5 必要特征转换
4.6 监督机器学习
auto-skleam默认配置
找出产品线预测的 机器学习流水线
找出网络异常检测的 机器学习流水线
4.7 无监督AutoML
常用聚类算法
使用skleam创建样本数据集
k-means算法实践
DBSCAN算法实践
凝聚聚类算法实践
无监督学习的简单自动化
高维数据集视觉化
主成分分析实践
t-SNE实践
简单成分叠加以改善流水线
4.8 总结
第5章 超参数优化
5.1 技术要求
5.2 超参数
5.3 热启动
5.4 贝叶斯超参数优化
5.5 示例系统
5.6 总结
第6章 创建AutoML流水线
6.1 技术要求
6.2 机器学习流水线简介
6.3 简单的流水线
6.4 函数转换器
6.5 复杂流水线
6.6 总结
第7章 深度学习探究
7.1 技术要求
7.2 神经网络概览
神经元
激活函数
7.3 使用Keras的前馈神经网络
7.4 自编码器
7.5 卷积神经网络
为什么使用CNN
什么是卷积
什么是过滤器
卷积层
ReLU层
池化层
全连接层
7.6 总结
第8章 机器学习和数据科学项目的重点
8.1 机器学习搜索
8.2 机器学习的权衡
8.3 典型数据科学项目的参与模型
8.4 参与模型的阶段
业务理解
数据理解
数据准备
建模
评估
部署
8.5 总结
作者简介
索引
......
