- ISBN:9787302619239
- 装帧:一般胶版纸
- 册数:暂无
- 重量:暂无
- 开本:其他
- 页数:293
- 出版时间:2022-12-01
- 条形码:9787302619239 ; 978-7-302-61923-9
本书特色
通过对《跨平台机器学习:ML.NET架构及应用编程》的学习,读者可以在专家的指导下,运用跨平台机器学习框架ML.NET来创建机器学习解决方案。 有了ML.NET,机器学习可以为所有.NET开发人员赋能,《跨平台机器学习:ML.NET架构及应用编程》可以帮助读者将ML.NET应用于实际的生产解决方案中。在对ML.NET进行基本概述之后,作者阐明了用于回归、分类、排名、异常检测等的微框架(ML任务)。对于每个ML任务,都提供了克服现实世界中常见挑战的见解。同时,书中还着重介绍了神经网络Keras,展示了一个完整的机器学习应用,以及如何在.NET中利用流行的Python 工具。 微软*有价值专家MVP(16届)在书中展示了以下主题: l 构建更智能的机器学习解决方案,更贴近用户的需求; l 了解ML.NET如何实例化经典ML管道,并简化情绪分析、欺诈检测和价格预测等常见场景; l 实施数据处理和培训,生产基于机器学习的软件解决方案; l 从基本预测转向更复杂的任务,包括分类、异常检测、推荐和图像分类; l 执行二分类和多分类;使用聚类和无监督学习将数据组织成同质组; l 发现异常值以检测可疑行为、欺诈、故障设备或其他问题; l 充分利用 ML.NET 强大、灵活的预测功能; l 实现排名、推荐、协同过滤的相关功能; l 使用 ML.NET 迁移学习快速构建图像分类解决方案; l 当标准算法和浅层学习不够时转向深度学习; l 通过 Azure认知服务API购买神经网络,或探索使用 Keras和TensorFlow 构建自己的神经网络。
内容简介
ML.NET 是面向.NET 开发人员的开源机器学习框架,可以帮助开发人员使用 C# 或 F# 创建自定义机器学习模型,从而将机器学习集成到 Web、移动、桌面、游戏和物联网应用中。《跨平台机器学习:ML.NET架构及应用编程》以ML.NET 为核心,介绍了架构及其基本知识,介绍了ML.NET 的八大机器学习应用场景:预测、分类、聚类、异常检查、预测、推荐、图像分类以及神经网络。 《跨平台机器学习:ML.NET架构及应用编程》适合数据工程师使用和参考。
目录
简??明??目??录
第1章??人工智能软件 001
第2章 透视ML.NET架构 011
第3章 ML.NET基础 033
第4章 预测任务 055
第5章 分类任务 091
第6章 聚类任务 125
第7章 异常检查任务 149
第8章 预测任务 177
第9章 推荐任务 199
第10章 图像分类任务 219
第11章 神经网络概述 237
第12章 用于识别护照的神经网络 255
附录 模型的可解释性 271
详??细??目??录
第1章 人工智能软件 001
1.1 软件的源起 002
1.1.1 计算机的形式化 002
1.1.2 计算机工程设计 003
1.1.3 人工智能的诞生 004
1.1.4 作为副作用的软件 004
1.2 软件在今天的作用 005
1.2.1 自动化任务 006
1.2.2 反映现实世界 007
1.2.3 赋能用户 008
1.3 人工智能如同软件 008
第2章 透视ML.NET架构 011
2.1 Python与机器学习 012
2.1.1 Python为什么在机器学习中如此受欢迎 012
2.1.2 Python机器学习库的分类 013
2.1.3 Python模型顶部的端到端方案 016
2.2 ML.NET概述 017
2.2.1 ML.NET中的学习管道 018
2.2.2 模型训练执行摘要 024
2.3 使用训练好的模型 028
2.3.1 使模型可从外部调用 029
2.3.2 其他部署场景 030
2.3.3 从数据科学到编程 030
2.4 小结 031
第3章 ML.NET基础 033
3.1 通往数据工程 033
3.1.1 数据科学家的角色 034
3.1.2 数据工程师的角色 035
3.1.3 机器学习工程师的角色 036
3.2 从什么数据开始 037
3.2.1 理解可用的数据 037
3.2.2 构建数据处理管道 040
3.3 训练步骤 043
3.3.1 选择算法 044
3.3.2 衡量算法的实际价值 045
3.3.3 计划测试阶段 046
3.3.4 关于指标 047
3.4 在客户端应用程序中使用模型 048
3.4.1 获取模型文件 049
3.4.2 完整项目 049
3.4.3 预测打车费用 050
3.4.4 可伸缩性的考虑 052
3.4.5 设计恰当的用户界面 053
3.5 小结 054
第4章 预测任务 055
4.1 管道和评估器链 056
4.1.1 数据视图 056
4.1.2 转换器 057
4.1.3 估算器 058
4.1.4 管道 059
4.2 回归ML任务 059
4.2.1 ML任务的常规方面 060
4.2.2 支持的回归算法 060
4.2.3 支持的校验技术 063
4.3 使用回归任务 066
4.3.1 可用的训练数据 066
4.3.2 特征工程 071
4.3.3 访问数据库内容 074
4.3.4 合成训练管道 077
4.4 机器学习深入思考 087
4.4.1 简单线性回归 087
4.4.2 非线性回归 088
4.5 小结 089
第5章 分类任务 091
5.1 二分类机器学习任务 091
5.1.1 支持的算法 092
5.1.2 支持的验证技术 094
5.2 情感分析的二分类 094
5.2.1 了解可用的训练数据 094
5.2.2 特征工程 098
5.2.3 合成训练管道 101
5.3 多分类ML任务 106
5.4 使用多分类任务 110
5.4.1 了解可用的数据 110
5.4.2 合成训练管道 113
5.5 机器学习深入思考 121
5.5.1 分类的多面性 121
5.5.2 情感分析的另一个视角 122
5.6 小结 123
第6章 聚类任务 125
6.1 聚类ML任务 125
6.1.1 无监督学习 126
6.1.2 了解可用的训练数据 126
6.1.3 特征工程 131
6.1.4 聚类算法 132
6.1.5 合成训练管道 137
6.1.6 设置客户端应用程序 139
6.2 机器学习深入思考 143
6.2.1 **步始终是聚类分析 144
6.2.2 数据集的无监督缩减 145
6.3 小结 147
第7章 异常检查任务 149
7.1 什么是异常 149
7.2 检查异常情况的常规方法 150
7.2.1 时间序列数据 150
7.2.2 统计技术 153
7.2.3 机器学习方法 154
7.3 异常检查ML任务 157
7.3.1 了解可用的训练数据 157
7.3.2 合并训练管道 160
7.3.3 设置客户端应用程序 167
7.4 机器学习深入思考 171
7.4.1 预测性维护 172
7.4.2 金融诈骗 174
7.5 小结 175
第8章 预测任务 177
8.1 预测未来 177
8.1.1 简单预测方法 178
8.1.2 预测的数学基础 178
8.1.3 常见的分解算法 180
8.1.4 SSA算法 181
8.2 预测ML任务 183
8.2.1 了解可用的数据 183
8.2.2 合成训练管道 185
8.2.3 设置客户端应用程序 190
8.3 机器学习深入思考 193
8.3.1 不是公园里的随机漫步 194
8.3.2 时间序列的其他方法 194
8.3.3 电力生产预测 195
8.4 小结 198
作者简介
迪诺·埃斯波西托(Dino Esposito) Crionet首席架构师兼联合创始人,为专业体育机构提供创新软件和服务。16届微软*有价值专家,出版著作超过20部。 弗朗西斯科·埃斯波西托(Francesco Esposito) 数学高手,精通高等数学与数据科学,《机器学习导论》合著者。目前服务于Crionet,担任工程与数学总监。连续创业者,先后创办了Youbiquitous和KBMS Data Force。
-
AI绘画+AI摄影+AI短视频从入门到精通
¥45.5¥79.8 -
企业AI之旅
¥43.5¥79.0 -
乡村振兴新技术:新时代农村短视频编辑技术基础入门
¥12.8¥32.0 -
机器学习
¥59.4¥108.0 -
基于知识蒸馏的图像去雾技术
¥61.6¥88.0 -
粒子群算法在优化选取问题中的应用研究
¥40.8¥68.0 -
Web前端开发基础
¥36.5¥57.0 -
智能算法优化及其应用
¥49.0¥68.0 -
Photoshop图像处理
¥25.5¥49.0 -
R语言医学数据分析实践
¥72.3¥99.0 -
大模型推荐系统:算法原理、代码实战与案例分析
¥66.8¥89.0 -
剪映 从入门到精通
¥25.7¥59.8 -
游戏造梦师----游戏场景开发与设计
¥68.6¥98.0 -
SAR图像处理与检测
¥35.4¥49.8 -
生成式人工智能(AIGC)应用
¥71.1¥90.0 -
人工智能
¥29.4¥42.0 -
中文版PHOTOSHOP 2024+AI修图入门教程
¥59.3¥79.0 -
WPS办公软件应用
¥25.2¥36.0 -
格拉斯曼流行学习及其在图像集分类中的应用
¥13.7¥28.0 -
轻松上手AIGC:如何更好地向CHATGPT提问
¥40.3¥62.0