书名：自动机器学习入门与实践：使用PYTHON
书号：9787568049528
定价：72.90
作者/编者： （美）达斯
出版社：华中科技大学出版社
出版时间： 2019年12月

编辑推荐

**本讲解自动机器学习工具与方法的书。

AutoML可以将bu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-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习项目中，或者在机器学习竞赛中助你一臂之力。

第1章 AutoML简介 1

1.1 机器学习的范围 2

1.2 什么是AutoML 4

1.3 为什么和怎么用AutoML 10

1.4 何时需要将机器学习自动化 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机器学习简介 25

2.1 技术要求 26

2.2 机器学习 26

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 K近邻算法 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 监督机器学习 125

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 机器学习流水线简介 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 深度学习探究 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 机器学习和数据科学项目的重点 211

8.1 机器学习搜索 211

8.2 机器学习的权衡 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

Sibanjan Das是业界*数据科学顾问，是广获好评的《Data Science Using Oracle Data Miner and Oracle R Enterprise》一书作者。