幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

跨平台機器學習(ML.NET架構及應用編程)

  • 作者：(意)迪諾·埃斯波西托//弗朗西斯科·埃斯波西托|責編:文開琪|譯者:周靖
  • 出版社：清華大學
  • ISBN：9787302619239
  • 出版日期：2022/12/01
  • 裝幀：平裝
  • 頁數：277
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    ML.NET是面向.NET開發人員的開源機器學習框架，可以幫助開發人員使用C#或F#創建自定義機器學習模型，從而將機器學習集成到Web、移動、桌面、遊戲和物聯網應用中。本書以ML.NET為核心，介紹了架構及其基本知識，介紹了MLNET的八大機器學習應用場景：預測、分類、聚類、異常檢查、預測、推薦、圖像分類以及神經網路。
    本書適合數據工程師使用和參考。
作者介紹
(意)迪諾·埃斯波西托//弗朗西斯科·埃斯波西托|責編:文開琪|譯者:周靖
目錄
第1章  人工智慧軟體
  1.1  軟體的源起
    1.1.1  電腦的形式化
    1.1.2  電腦工程設計
    1.1.3  人工智慧的誕生
    1.1.4  作為副作用的軟體
  1.2  軟體在今天的作用
    1.2.1  自動化任務
    1.2.2  反映現實世界
    1.2.3  賦能用戶
  1.3  人工智慧如同軟體
第2章  透視ML.NET架構
  2.1  Python與機器學習
    2.1.1  Python為什麼在機器學習中如此受歡迎
    2.1.2  Python機器學習庫的分類
    2.1.3  Python模型頂部的端到端方案
  2.2  ML.NET概述
    2.2.1  ML.NET中的學習管道
    2.2.2  模型訓練執行摘要
  2.3  使用訓練好的模型
    2.3.1  使模型可從外部調用
    2.3.2  其他部署場景
    2.3.3  從數據科學到編程
  2.4  小結
第3章  ML.NET基礎
  3.1  通往數據工程
    3.1.1  數據科學家的角色
    3.1.2  數據工程師的角色
    3.1.3  機器學習工程師的角色
  3.2  從什麼數據開始
    3.2.1  理解可用的數據
    3.2.2  構建數據處理管道
  3.3  訓練步驟
    3.3.1  選擇演算法
    3.3.2  衡量演算法的實際價值
    3.3.3  計劃測試階段
    3.3.4  關於指標
  3.4  在客戶端應用程序中使用模型
    3.4.1  獲取模型文件
    3.4.2  完整項目
    3.4.3  預測打車費用
    3.4.4  可伸縮性的考慮
    3.4.5  設計恰當的用戶界面
  3.5  小結
第4章  預測任務
  4.1  管道和評估器鏈
    4.1.1  數據視圖
    4.1.2  轉換器
    4.1.3  估算器
    4.1.4  管道

  4.2  回歸ML任務
    4.2.1  ML任務的常規方面
    4.2.2  支持的回歸演算法
    4.2.3  支持的校驗技術
  4.3  使用回歸任務
    4.3.1  可用的訓練數據
    4.3.2  特徵工程
    4.3.3  訪問資料庫內容
    4.3.4  合成訓練管道
  4.4  機器學習深入思考
    4.4.1  簡單線性回歸
    4.4.2  非線性回歸
  4.5  小結
第5章  分類任務
  5.1  二分類機器學習任務
    5.1.1  支持的演算法
    5.1.2  支持的驗證技術
  5.2  情感分析的二分類
    5.2.1  了解可用的訓練數據
    5.2.2  特徵工程
    5.2.3  合成訓練管道
  5.3  多分類ML任務
  5.4  使用多分類任務
    5.4.1  了解可用的數據
    5.4.2  合成訓練管道
  5.5  機器學習深入思考
    5.5.1  分類的多面性
    5.5.2  情感分析的另一個視角
  5.6  小結
第6章  聚類任務
  6.1  聚類ML任務
    6.1.1  無監督學習
    6.1.2  了解可用的訓練數據
    6.1.3  特徵工程
    6.1.4  聚類演算法
    6.1.5  合成訓練管道
    6.1.6  設置客戶端應用程序
  6.2  機器學習深入思考
    6.2.1  第一步始終是聚類分析
    6.2.2  數據集的無監督縮減
  6.3  小結
第7章  異常檢查任務
  7.1  什麼是異常
  7.2  檢查異常情況的常規方法
    7.2.1  時間序列數據
    7.2.2  統計技術
    7.2.3  機器學習方法
7
異常檢查ML任務
    7.3.1  了解可用的訓練數據

    7.3.2  合併訓練管道
    7.3.3  設置客戶端應用程序
  7.4  機器學習深入思考
    7.4.1  預測性維護
    7.4.2  金融詐騙
  7.5  小結
第8章  預測任務
  8.1  預測未來
    8.1.1  簡單預測方法
    8.1.2  預測的數學基礎
    8.1.3  常見的分解演算法
    8.1.4  SSA演算法
  8.2  預測ML任務
    8.2.1  了解可用的數據
    8.2.2  合成訓練管道
    8.2.3  設置客戶端應用程序
  8.3  機器學習深入思考
    8.3.1  不是公園裡的隨機漫步
    8.3.2  時間序列的其他方法
    8.3.3  電力生產預測
  8.4  小結
第9章  推薦任務
  9.1  深入信息檢索系統
    9.1.1  排名的基本藝術
    9.1.2  推薦的靈活藝術
    9.1.3  協同過濾的精妙藝術
  9.2  ML推薦任務
    9.2.1  了解可用的數據
    9.2.2  合成訓練管道
    9.2.3  設置客戶端應用程序
  9.3  機器學習深入思考
    9.3.1  如果喜歡奈飛
    9.3.2  如果你不喜歡奈飛
  9.4  小結
第10章  圖像分類任務
  10.1  遷移學習
    10.1.1  流行的圖像處理神經網路
    10.1.2  其他圖像神經網路
  10.2  通過合成進行遷移學習
    10.2.1  ML.NET中的遷移學習模式
    10.2.2  新的圖像分類器的總體目標
    10.2.3  了解可用的數據
    10.2.4  合成訓練管道
    10.2.5  設置客戶端應用程序
  10.3  ML圖像分類任務
    10.3.1  圖像分類API
    10.3.2  使用圖像分類API
  10.4  機器學習深入思考
    10.4.1  人腦的魔法
    10.4.2  人工打造的神經網路

    10.4.3  重新訓練
  10.5  小結
第11章  神經網路概述
  11.1  前饋神經網路
    11.1.1  人工神經元
    11.1.2  網路的層級
    11.1.3  Logistic神經元
    11.1.4  訓練神經網路
  11.2  更複雜的神經網路
    11.2.1  有狀態神經網路
    11.2.2  卷積神經網路
    11.2.3  自動編碼器
  11.3  小結
第12章  用於識別護照的神經網路
  12.1  使用Azure認知服務
    12.1.1  問題的剖析和解決方案
    12.1.2  與ID表單識別器協同工作
  12.2  自己動手打造神經網路
    12.2.1  神經網路的拓撲
    12.2.2  訓練時的麻煩
  12.3  機器學習深入思考
    12.3.1  商品和垂直解決方案
    12.3.2  什麼時候只能使用定製解決方案
  12.4  小結
附錄  模型的可解釋性

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032