跨平臺機器學習:ML.NET 架構及應用編程 (Programming ML.Net)
[意]迪諾·埃斯波西托(Dino Esposito) [意]弗朗西斯科·埃斯波西托(Francesco Esposito)著 周靖 譯
- 出版商: 清華大學
- 出版日期: 2022-12-01
- 售價: $594
- 貴賓價: 9.5 折 $564
- 語言: 簡體中文
- ISBN: 7302619239
- ISBN-13: 9787302619239
-
相關分類:
.NET、Machine Learning
- 此書翻譯自: Programming ML.Net (Paperback)
立即出貨
買這商品的人也買了...
-
$790$616 -
$352大話代碼架構 (項目實戰版)
-
$450$356 -
$1,200$948 -
$480$379 -
$480$379 -
$454C# 神經網絡編程
-
$1,650$1,568 -
$536精通Spring Cloud微服務架構
-
$680$537 -
$680$578 -
$780$608 -
$780$663 -
$890$703 -
$500$390 -
$650$507 -
$690$538 -
$658$619 -
$750$593 -
$714$678 -
$980$774 -
$550$412 -
$750$593 -
$1,080$853 -
$607多模態大模型:新一代人工智能技術範式
相關主題
商品描述
ML.NET 是面向.NET 開發人員的開源機器學習框架,可以幫助開發人員使用 C# 或 F# 創建自定義機器學習模型,從而將機器學習集成到 Web、移動、桌面、游戲和物聯網應用中。《跨平臺機器學習:ML.NET架構及應用編程》以ML.NET 為核心,介紹了架構及其基本知識,介紹了ML.NET 的八大機器學習應用場景:預測、分類、聚類、異常檢查、預測、推薦、圖像分類以及神經網絡。 《跨平臺機器學習:ML.NET架構及應用編程》適合數據工程師使用和參考。
目錄大綱
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為什麽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 從什麽數據開始 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 什麽是異常 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 不是公園里的隨機漫步 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 什麽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