跨平臺機器學習：ML.NET 架構及應用編程 (Programming ML.Net)

弗朗西斯科·埃斯波西托（Francesco Esposito），數學高手，《機器學習導論》合著者，精通高等數學與數據科學。目前服務於Crionet，擔任工程與數學總監。連續創業者，先後創辦了數據分析和軟件工廠Youbiquitous，以及KBMS Data Force，一家面向數字療法和智能醫療領域的初創企業。

簡 明 目 錄

 

第1章 人工智能軟件 001

第2章　透視ML.NET架構 011

第3章　ML.NET基礎 033

第4章　預測任務 055

第5章　分類任務 091

第6章　聚類任務 125

第7章　異常檢查任務 149

第8章　預測任務 177

第9章　推薦任務 199

第10章　圖像分類任務 219

第11章　神經網絡概述 237

第12章　用於識別護照的神經網絡 255

附錄　模型的可解釋性  271

 

詳 細 目 錄

第1章　人工智能軟件 001

1.1　軟件的源起 002

1.1.1　電腦的形式化 002

1.1.2　電腦工程設計 003

1.1.3　人工智能的誕生 004

1.1.4　作為副作用的軟件 004

1.2　軟件在今天的作用 005

1.2.1　自動化任務 006

1.2.2　反映現實世界 007

1.2.3　賦能用戶 008

1.3　人工智能如同軟件 008

第2章　透視ML.NET架構 011

2.1　Python與機器學習 012

2.1.1　Python為什麼在機器學習中如此受歡迎 012

2.1.2　Python機器學習庫的分類 013

2.1.3　Python模型頂部的端到端方案 016

2.2　ML.NET概述 017

2.2.1　ML.NET中的學習管道 018

2.2.2　模型訓練執行摘要 024

2.3　使用訓練好的模型 028

2.3.1　使模型可從外部調用 029

2.3.2　其他部署場景 030

2.3.3　從數據科學到編程 030

2.4　小結 031

第3章　ML.NET基礎 033

3.1　通往數據工程 033

3.1.1　數據科學家的角色 034

3.1.2　數據工程師的角色 035

3.1.3　機器學習工程師的角色 036

3.2　從什麼數據開始 037

3.2.1　理解可用的數據 037

3.2.2　構建數據處理管道 040

3.3　訓練步驟 043

3.3.1　選擇算法 044

3.3.2　衡量算法的實際價值 045

3.3.3　計劃測試階段 046

3.3.4　關於指標 047

3.4　在客戶端應用程序中使用模型 048

3.4.1　獲取模型文件 049

3.4.2　完整項目 049

3.4.3　預測打車費用 050

3.4.4　可伸縮性的考慮 052

3.4.5　設計恰當的用戶界面 053

3.5　小結 054

第4章　預測任務 055

4.1　管道和評估器鏈 056

4.1.1　數據視圖 056

4.1.2　轉換器 057

4.1.3　估算器 058

4.1.4　管道 059

4.2　回歸ML任務 059

4.2.1　ML任務的常規方面 060

4.2.2　支持的回歸算法 060

4.2.3　支持的校驗技術 063

4.3　使用回歸任務 066

4.3.1　可用的訓練數據 066

4.3.2　特徵工程 071

4.3.3　訪問數據庫內容 074

4.3.4　合成訓練管道 077

4.4　機器學習深入思考 087

4.4.1　簡單線性回歸 087

4.4.2　非線性回歸 088

4.5　小結 089

第5章　分類任務 091

5.1　二分類機器學習任務 091

5.1.1　支持的算法 092

5.1.2　支持的驗證技術 094

5.2　情感分析的二分類 094

5.2.1　瞭解可用的訓練數據 094

5.2.2　特徵工程 098

5.2.3　合成訓練管道 101

5.3　多分類ML任務 106

5.4　使用多分類任務 110

5.4.1　瞭解可用的數據 110

5.4.2　合成訓練管道 113

5.5　機器學習深入思考 121

5.5.1　分類的多面性 121

5.5.2　情感分析的另一個視角 122

5.6　小結 123

第6章　聚類任務 125

6.1　聚類ML任務 125

6.1.1　無監督學習 126

6.1.2　瞭解可用的訓練數據 126

6.1.3　特徵工程 131

6.1.4　聚類算法 132

6.1.5　合成訓練管道 137

6.1.6　設置客戶端應用程序 139

6.2　機器學習深入思考  143

6.2.1　第一步始終是聚類分析 144

6.2.2　數據集的無監督縮減 145

6.3　小結 147

第7章　異常檢查任務 149

7.1　什麼是異常 149

7.2　檢查異常情況的常規方法 150

7.2.1　時間序列數據 150

7.2.2　統計技術  153

7.2.3　機器學習方法 154

7.3　異常檢查ML任務 157

7.3.1　瞭解可用的訓練數據 157

7.3.2　合並訓練管道 160

7.3.3　設置客戶端應用程序 167

7.4　機器學習深入思考 171

7.4.1　預測性維護  172

7.4.2　金融詐騙 174

7.5　小結 175

第8章　預測任務 177

8.1　預測未來 177

8.1.1　簡單預測方法 178

8.1.2　預測的數學基礎 178

8.1.3　常見的分解算法 180

8.1.4　SSA算法 181

8.2　 預測ML任務 183

8.2.1　瞭解可用的數據  183

8.2.2　合成訓練管道 185

8.2.3　設置客戶端應用程序  190

8.3　機器學習深入思考 193

8.3.1　不是公園裏的隨機漫步 194

8.3.2　時間序列的其他方法  194

8.3.3　電力生產預測  195

8.4　小結 198

第9章　推薦任務 199

9.1　深入信息檢索系統 200

9.1.1　排名的基本藝術  201

9.1.2　推薦的靈活藝術  201

9.1.3　協同過濾的精妙藝術 203

9.2　ML推薦任務 204

9.2.1　瞭解可用的數據  204

9.2.2　合成訓練管道 208

9.2.3　設置客戶端應用程序 212

9.3　機器學習深入思考 215

9.3.1　如果喜歡奈飛 215

9.3.2　如果你不喜歡奈飛 216

9.4　小結 217

第10章　圖像分類任務 219

10.1　遷移學習 220

10.1.1　流行的圖像處理神經網絡  220

10.1.2　其他圖像神經網絡  220

10.2　通過合成進行遷移學習 221

10.2.1　ML.NET中的遷移學習模式 221

10.2.2　新的圖像分類器的總體目標 222

10.2.3　瞭解可用的數據  223

10.2.4　合成訓練管道 226

10.2.5　設置客戶端應用程序 228

10.3　ML圖像分類任務 230

10.3.1　圖像分類API 231

10.3.2　使用圖像分類API 232

10.4　機器學習深入思考 233

10.4.1　人腦的魔法 233

10.4.2　人工打造的神經網絡  234

10.4.3　重新訓練 235

10.5　小結 235

第11章　神經網絡概述 237

11.1　前饋神經網絡 237

11.1.1　人工神經元  238

11.1.2　網絡的層級  240

11.1.3　Logistic神經元  241

11.1.4　訓練神經網絡  243

11.2　更復雜的神經網絡 246

11.2.1　有狀態神經網絡 246

11.2.2　捲積神經網絡 249

11.2.3　自動編碼器 252

11.3　小結 253

第12章　用於識別護照的神經網絡 255

12.1　使用Azure認知服務 255

12.1.1　問題的剖析和解決方案 256

12.1.2　與ID表單識別器協同工作 257

12.2　自己動手打造神經網絡 261

12.2.1　神經網絡的拓撲  262

12.2.2　訓練時的麻煩 267

12.3　機器學習深入思考 268

12.3.1　商品和垂直解決方案  269

12.3.2　什麼時候只能使用定製解決方案 269

12.4　小結 270

附錄　模型的可解釋性  271