深度強化元學習--自動機器學習與數據挖掘(精)

第1部分 基本概念和架構
第1章 引言
1.1 本書的組織結構
1.2 基本概念和架構(第1部分)
1.2.1 基本概念
1.2.2 問題類型
1.2.3 元學習和AutoML系統的基本架構
1.2.4 使用來自先前數據集的元數據進行算法選擇(第2、第5章)
1.2.5 不同系統的評估和比較(第3章)
1.2.6 數據集特征或元特征的作用(第4章)
1.2.7 不同類型的元級模型(第5章)
1.2.8 HPO(第6章)
1.2.9 工作流設計的自動化方法(第7章)
1.3 先進技術和方法(第2部分)
1.3.1 設置配置空間和實驗(第8章)
1.3.2 集成和流的自動方法
1.3.3 跨任務元模型的遷移(第12章)
1.3.4 深度神經網絡的元學習(第13章)
1.3.5 自動化數據科學和覆雜系統設計
1.4 實驗結果存儲庫(第3部分)
1.4.1 元數據存儲庫(第16章)
1.4.2 從存儲庫裏的元數據中學習(第17章)
1.4.3 結束語(第18章)
參考文獻
第2章 用於算法選擇的元學習方法(利用排序)
2.1 簡介
2.2 推薦的不同形式
2.2.1 集合中的最優算法
2.2.2 頂部算法的子集
2.2.3 線性排序
2.2.4 準線性(弱)排序
2.2.5 不完全排序
2.2.6 在給定的預算範圍內搜索最優算法
2.3 算法選擇的排序模型
2.3.1 以排序的形式生成一個元模型
2.3.2 使用排序元模型進行預測(top-n策略)
2.3.3 推薦排序的評估
2.4 使用準確率和運行時間的組合度量
2.5 擴展和其他方法
2.5.1 使用平均排序方法推薦工作流
2.5.2 排序可能會使某些數據集表現良好的算法降級
2.5.3 基於數據包絡分析的多準則分析方法
2.5.4 使用數據集相似性確認元數據的相關部分
2.5.5 處理不完全排序
2.5.6 聚合不完全排序
參考文獻
第3章 評估元學習/AutoML系統的推薦
3.1 簡介
……
第2部分 高級技術和方法
第3部分 組織和利用元數據