机器学习开发实战


这本书名为《机器学习开发实战》(Introducing Machine Learning),属于智能系统与技术丛书,由[意]迪诺·埃斯波西托(Dino Esposito)著,杨延华、邓成译,由机械工业出版社出版。

一、书籍概要

  1. 核心主题

• 本书专注于机器学习的开发实践,通过对机器学习概念、技术和应用场景的介绍,结合实际案例,帮助读者掌握如何进行机器学习项目的开发。

  1. 主要内容章节

• 机器学习基础(第一部分)

• 包括人类是如何学习的、学习机理、人工智能的形式、本章小结等内容,为读者建立对机器学习基础概念的认知。

• 智能软件(第2章)

• 阐述应用人工智能、软件智能的发展、专家系统、通用人工智能等内容,介绍智能软件在机器学习中的应用。

• 监督学习与无监督学习(第2章)

• 详细介绍监督学习和无监督学习的概念、方法和应用场景,使读者了解不同学习方式在机器学习中的作用。

• .NET中的机器学习(第二部分)

• 涵盖.NET的ML基础、ML.NET简介、使用ML.NET进行数据处理等内容,讲解如何在.NET平台上进行机器学习开发。

• Azure认知服务(第20章)

• 包括Azure认知服务的介绍、应用场景、如何使用Azure Machine Learning Studio等内容,展示了Azure在机器学习服务中的应用。

二、详细内容

  1. 机器学习基础

• 人类学习与机器学习类比

• 介绍人类是如何学习的,通过类比人类学习过程,阐述机器学习的原理和机制,帮助读者从熟悉的场景理解机器学习的概念。

• 学习机理

• 讲解机器学习的学习机理,包括神经元是如何工作的、如何通过软硬件结合实现学习等内容,为后续深入学习机器学习技术奠定基础。

• 人工智能形式

• 阐述人工智能的不同形式,如原始智能、专家系统、自治系统、人工情感形式等,使读者了解机器学习在人工智能领域中的位置和作用。

  1. 智能软件

• 人工智能应用

• 阐述如何应用人工智能开发智能软件,包括软件智能的发展历程、专家系统的原理和应用、通用人工智能的概念等,展示智能软件在实际中的应用。

• 学习方式

• 详细介绍监督学习和无监督学习,包括它们的定义、区别、适用场景等。例如,监督学习有标记数据进行学习,无监督学习从无标记数据中发现模式。

  1. .NET中的机器学习

• 基础介绍

• 讲解.NET的机器学习基础,包括相关的库和框架,为读者在.NET平台上进行机器学习开发提供技术基础。

• ML.NET

• 介绍ML.NET的功能和使用方法,包括如何利用ML.NET进行数据处理、模型训练和评估等操作,帮助读者掌握在.NET平台上的机器学习开发实践。

  1. Azure认知服务

• 服务介绍

• 介绍Azure认知服务的功能和应用场景,如自然语言处理、图像识别等,展示Azure在机器学习服务领域的强大功能。

• 使用方法

• 讲解如何使用Azure Machine Learning Studio,包括平台的操作方法、如何配置和运行机器学习项目等,使读者能够利用Azure进行机器学习实践。

三、书籍意义和应用价值

  1. 对行业的意义

• 本书为机器学习开发领域提供了实用的指导,有助于推动相关行业利用机器学习技术进行项目开发。通过介绍不同平台和技术的应用,能够帮助企业和开发者选择合适的工具进行机器学习实践。

  1. 对读者的价值

• 对于对机器学习开发感兴趣的读者,本书提供了系统的开发知识和实践方法,帮助他们掌握机器学习项目开发技能。对于从事相关行业的技术人员,本书是一本极具实践指导意义的工具书。

四、总结

《机器学习开发实战》是一本专注于机器学习开发实践的专业书籍。通过对机器学习基础、智能软件、.NET中的机器学习、Azure认知服务等方面的详细阐述,为读者提供了全面的机器学习开发方法和知识。本书在帮助读者掌握机器学习开发技能方面具有重要意义。

机器学习基础

人类是如何学习的

迈向思考型机器

学习机理

人工智能的形式

智能软件

应用人工智能

通用人工智能

映射问题和算法

基本问题

更复杂的问题

自动机器学习

机器学习解决方案的一般步骤

数据收集

数据准备

模型选择及训练

模型部署

数据因素

数据质量

数据完整性

到底什么是数据科学家

。Net中的机器学习

.NET 方式

从数据开始

训练步骤

从客户端应用程序中预测价格

实现ML.NET 管道

ML.NET 任务及算法

ML.NET 的整体框架

分类任务

聚类任务

迁移学习

浅层学习基础

机器学习的数学基础

统计数据

偏差和方差

数据表示

机器学习的度量

统计学习与机器学习

机器学习模型的评价

准备处理数据

如何进行简单预测-线性回归

问题

线性算法

改进解决方案

如何做出复杂的预测与决定-决策树

问题

基于树的算法的设计原理

分类树

回归树

如何做出更好的决策

问题

bogging 技术

boosting 技术

概率方法: 朴素贝叶斯

贝叶斯统计简介

贝叶斯统计在分类中的应用

朴素贝叶斯分类器

朴素贝叶斯回归

对数据进行分组-分类与聚类

监督分类的基本方法

支持向量机

无监督聚类

深度学习基础

前馈神经网络

神经网络简介

人工神经元类型

训练神经网络

神经网络的设计

神经网络的各个方面

搭建神经网络

其他类型的神经网络

前馈神经网络的常见问题

循环神经网络

卷积神经网络

神经网络的进一步发展

情感分析:端到端的解决方案

为训练准备数据

训练模型

客户端应用

思考

面向现实世界的AI云服务

Azure 认知服务

Azure Machine Learning Studio

本地服务

微软数据处理服务

人工智能的商业认知

业界对AI 的看法

挖掘潜能

AI 可以为你做什么

面临的挑战

端到端的解决方案

我们就叫它咨询吧

软件和数据科学之间的界限

敏捷AI