微软Azure机器学习实战手册

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