技术教育社区
www.teccses.org

微软Azure机器学习实战手册

封面

作者:(日)千贺大司,(日)山本和贵,(日)大

页数:214

出版社:中国人民大学出版社

出版日期:2017

ISBN:9787300250953

电子书格式:pdf/epub/txt

内容简介

·本书作者千贺大司、山本和贵及大泽文孝均为数据专家,且在日经BP社主办的学习交流会“从零开始了解‘机器学习’实践讲座”中担任讲师,通过实际操作针对Azure ML进行了解说,具有丰富的实操经验。
·通过本书的学习,读者无需编程,完全是通过拖拽和配置完成,操作简单,可快速掌握Azure ML用法,从而把更多的精力放在理解数据和算法上。

作者简介

千贺 大司(Hiroshi Senga)
FIXER公司总经理
微软Azure解决方案架构师、信息处理技术人员
1999年毕业于名古屋大学法学部。曾在佳能IT部门作为金融高级软件工程师致力于国内外银行及年金系统的开发。随后10余年一直在提供股票分析服务的网络风投公司担任CTO,目前担任东证一部上市企业R D的部门负责人。擅长金融、证券分析和网络服务数据分析、市场自动化及大规模并发分散系统的体系结构。现在,一方面支持机器学习等使用Azure服务的数字市场,一方面致力于推进面向证券、金融的FinTech解决方案的研究以及由人造机器人的人工知能或者人工智能构成的呼叫中心支援系统的开发。

山本 和贵(Kazuki Yamamoto)
FIXER公司数据科学家千贺 大司(Hiroshi Senga)
FIXER公司总经理
微软Azure解决方案架构师、信息处理技术人员
1999年毕业于名古屋大学法学部。曾在佳能IT部门作为金融高级软件工程师致力于国内外银行及年金系统的开发。随后10余年一直在提供股票分析服务的网络风投公司担任CTO,目前担任东证一部上市企业R&D的部门负责人。擅长金融、证券分析和网络服务数据分析、市场自动化及大规模并发分散系统的体系结构。现在,一方面支持机器学习等使用Azure服务的数字市场,一方面致力于推进面向证券、金融的FinTech解决方案的研究以及由人造机器人的人工知能或者人工智能构成的呼叫中心支援系统的开发。

山本 和贵(Kazuki Yamamoto)
FIXER公司数据科学家
2015年毕业于东京都立产业技术高等专业学校制造工学部的电子信息工学系。在高等专业学校的毕业论文研究中,为了预测网络辐辏同机器学习相遇,之后一直着迷于机器学习。从事于人工智能云的开发,将使用微软Azure ML的深层学习研究及通过机器学习提高服务质量的音声识别、面部识别、个性化引擎等进行组合。
大泽 文孝(Fumitaka Oosawa)
科技作家 程序设计师 信息处理技术人员
主要面向开发人员在杂志报刊上撰写有关服务器、网络、网络编程、安全等文章。近几年,主要从事网络系统的设计及开发。著有《掌握帮神技能:掌握Java编程入门》 《掌握帮神技能:网络和编程基础中的基础》 《Amazon Web Services云端设计模式安装指导》等书籍

本书特色

机器学习借助算法让计算机对大量流动数据集进行识别,这种方式能够通过历史数据来预测未来事件和行为。微软公司在其公有云Azure上推出了基于Web使用的机器学习应用工具“Azure Machine Learning”,通过图表化来把握“现在的进度和结果”,并配备了各种统计处理和多样化的机器学习处理方式,便于开发人员、业务分析师和数据科学家进行广泛、便捷地应用。
书中通过大量的微软机器学习截图,有步骤地讲解了微软机器学习模板构建的方法,是一本实战版机器学习入门手册。

在以前,仅是运作并学习的门槛就已很高,更不用说对机器学习的实际运用。而现在,使用Azure Machine Learning就可以马上进入机器学习的世界。
我们的目标是让技术及商务人士可以通过机器学习,来创造新的服务,并通过数据获得前所未有的视点。

目录

第1章 什么是机器学习/1
明晰机器学习/2
机器学习概述/2
机器学习流行的“原因”/4
将机器学习用于商业的方法/5
消除对机器学习的误解/9
机器学习通过数据进行判断/9
机器学习是“系统”/11
机器自己会变聪明吗/12
必须决定“特征向量”/12
开启机器学习之旅/14
机器学习专用工具/14
无须编程就可以使用的Azure ML/15
即使如此,依然想编程/17
通过判断目标来选择分类器/17

第2章 收集数据/19
使用公司内部数据/20
日志文件等历史数据/20
非时间类型数据/22
使用公开数据/22
DATA.GO.JP/22
DATA.GOV/23
Twitter/23
GitHub/35

第3章 通过Azure ML创建机器学习模型/39
Azure ML的基本操作/40
注册Azure ML Studio/40
在工作区进行操作/41
机器学习的方法/43
在Azure ML中进行机器学习的流程/43
创建机器学习模型时Experiment的编辑界面/45
机器学习模型的构成和种类/47
学习逻辑/47
计算逻辑/48
学习组件的种类/48

第4章 使用回归分析预测数据/53
什么是回归分析/54
本模拟所实现目标/54
本模拟所建模型/55
上传用于分析的数据集/57
下载CSV文件样本/57
将CSV文件作为数据集进行上传保存/59
新建Experiment/62
添加和调整所要分析的数据集对象/64
添加数据集/65
将范围缩小至使用列/70
修复受损数据/75
分离学习用数据和评价用数据/80
构建学习逻辑/83
构成回归分析的组件/83
使用已训练模型预测评价用数据/87
使用评分模型进行数据预测/88
确认预测值/91

第5章 尝试使用已建回归分析模型/95
使用已训练模型进行计算/96
上传用于计算的数据集对象/96
在评分模型右上方输入数据即可得出结果/97
保存已训练模型,使其在其他Experiment中也可以使用/99
保存已训练模型/100
使用已训练模型进行预测/102
新建用于预测的Experiment /102
创建可进行数据预测的机器学习模型/103
观察运行结果/105
以CSV形式输出/106
数据转换组件/107

第6章 提高预测精度/111
提高预测精度的方法/112
确认目前的预测精度/113
使用评估模型对分析结果进行评价/113
确认评价结果/115
更改参数提高精确度/117
更改Linear Regression的参数/117
优化学习组件/119
可用于回归分析的学习组件种类/119
更改为贝叶斯线性回归/120
使用有限的学习数据进行检验/123
使用“Cross Validate Model”组件/125
确认“Cross Validate Model”的评价结果/126

第7章 通过统计分类进行判断/129
什么是统计分类/130
本模拟所实现目标/130
本模拟所建模型/131
用统计分类创建分类机器学习模型/132
新建数据集/132
新建Experiment/134
创建数据集/134
构建学习逻辑/137
预测和评价/139
确认和反思学习结果/141
确认使用评价用数据得出的结果/141
评价统计分类的学习结果/142
使用其他统计分类学习组件/146

第8章 用聚类方法判别相似数据/151
什么是聚类/152
本模拟所实现目标/152
本模拟所建模型/154
创建可通过聚类分析分组的机器学习模型/156
新建数据集/156
新建 Experiment/157
添加数据集/158
构建学习逻辑/161
确认分组结果/164
将用于评价的数据加入到已训练的学习模型中/167

第9章 活用实验结果/173
Web API化/174
数据可视化/178

第10章 让机器越来越聪明/179
进行模型的二次学习/180
用Web API更新公开的分类器(模型更新)/187

附录 使用Azure ML的方法/201
创建环境/202
创建Microsoft账户/202
激活订阅/203
登录Azure/208
云优化您的业务/208
创建工作区/210
访问Azure ML Studio/211
关于收费/213
免费使用/214

下载地址

立即下载

(解压密码:www.teccses.org)

Article Title:《微软Azure机器学习实战手册》
Article link:https://www.teccses.org/819599.html