基于Azure的自动机器学习

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*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*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*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