作者：[美]莫昆图（Deepak Mukunt
页数：208
出版社：中国电力出版社
出版日期：2020
ISBN：9787519848552
电子书格式：pdf/epub/txt
内容简介
? 学习成功机器学习项目的很好实践。
? 使用Azure完成自动机器学习。
? 理解分类和回归，以及模型可解释性和透明性等概念。
? 了解如何在其他环境中使用Automated ML，如Azure Databricks、ML.NET和SQL Server。
? 探索推动机器学习大众化的工具。
作者简介
Deepak Mukunthu领导了微软Azure AI团队的Automated ML项目，他着力推进产品策略，目标是实现AI的加速落地和大众化。
Parashar Shah是微软Azure AI团队的成员，领导了多个大数据和深度学习项目，同时积极与全球企业客户合作。
Wee Hyong Tok是微软Azure全球客户工程团队成员，参与完成了多个深度学习框架。
本书特色
微软副总裁作推荐序，本书不仅提供了有深度的技术介绍，还提供了大量实践示例和案例研究，展示了如何使用自动机器学习解决实际问题。
对机器学习的需求在迅猛增长。各行业的组织都努力在其产品和流程中注入智能以取悦客户，扩大业务影响。不过，开发一个好的机器学习模型是一个迭代且耗时的过程。通过使用机器学习来帮助构建模型，自动机器学习可以让这个过程变得更容易。这本实用指南介绍了如何对你的数据应用自动机器学习。
本书不仅提供了有深度的技术介绍，还提供了大量实践示例和案例研究，展示了如何使用自动机器学习解决实际问题。有一定机器学习经验的数据科学家和开发人员可以学习如何使用Automated ML工具来更快、更高效地构建他们的模型。
“如今，从数据抽取信息需要很深入的机器学习专业知识。这本书使企业客户也能使用机器学习，书中介绍了要像有经验的数据科学家一样提供结果的最快捷的方法。”——Mark Russinovich微软Azure CTO和技术院士
本书集中于机器学习应用所需的模型和算法，帮助你在短时间内提高实践技能。
目录
序 1
前言 3
第1 部分 自动机器学习
第1 章 机器学习：概述和最佳实践 9
机器学习：简要回顾 10
模型参数 12
超参数 13
机器学习项目的最佳实践 14
理解决策过程 14
建立性能指标 15
强调透明度以获得信任 16
勇于实验 17
不要孤军作战 17
迭代而耗时的过程 19
特征工程 20
算法选择 22
超参数调整 22
端到端过程 22
增长的需求 24
小结 27
第2 章 自动机器学习如何工作 28
什么是自动机器学习? 28
理解数据 28
检测任务 31
选择评价指标 32
特征工程 33
选择模型 37
监控和重训练 41
综合 41
Automated ML 42
Automated ML 如何工作 42
保留隐私 43
支持透明度 44
防护 45
端到端模型生命周期管理 46
小结 46
第2 部分 Azure 的Automated ML
第3 章 开始使用微软Azure 机器学习
和Automated ML 49
机器学习过程 49
协作和监控 50
部署 51
为Automated ML 建立一个Azure 机器学习工作区 51
Azure Notebooks 59
Notebook VM 69
小结 70
第4 章 特征工程和自动机器学习 71
Automated ML 中可用的数据预处理方法 73
Automated ML 的自动特征化 74
分类和回归的自动特征化 76
时间序列预报的自动特征化 82
小结 88
第5 章 部署自动机器学习模型 89
部署模型 89
注册模型 92
创建容器映像 95
部署模型进行测试 100
测试已部署的模型 104
部署到AKS 105
Web 服务的 Swagger 文档 107
调试部署 109
Web 服务部署失败 109
小结 112
第6 章 分类和回归 113
为什么使用分类和回归？ 113
分类和回归算法 116
使用Automated ML 完成分类和回归 118
小结 134
第3 部分 企业如何使用自动机器学习
第7 章 使用Automated ML 支持模型
可解释性和透明性 137
模型可解释性 137
Azure 机器学习的模型可解释性 139
模型透明性 149
理解Automated ML 模型流水线 150
防护 150
小结 152
第8 章 开发人员使用Automated ML 153
Azure Databricks 和Apache Spark 153
MLNET 167
SQL Server 169
小结 169
第9 章 所有人使用Automated ML 171
Azure 门户UI 172
Power BI 181
准备数据 182
Automated ML 训练 184
理解最佳模型 186
理解Automated ML 训练过程 189
模型部署和推理 191
支持协作 191
Azure 机器学习到Power BI 191
Power BI Automated ML 到Azure 机器学习 194
小结 194
作者介绍 197
封面介绍 198
