第1章 AutoML簡介 1
1.1 機器學(xué)習(xí)的范圍 2
1.2 什么是AutoML 4
1.3 為什么和怎么用AutoML 10
1.4 何時需要將機器學(xué)習(xí)自動化 11
1.5 能學(xué)到什么 11
1.6 AutoML庫概述 13
1.7 總結(jié) 23
第2章 Python機器學(xué)習(xí)簡介 25
2.1 技術(shù)要求 26
2.2 機器學(xué)習(xí) 26
2.3 線性回歸 28
2.4 重要評估指標回歸算法 37
2.5 邏輯回歸 39
2.6 重要評估指標分類算法 44
2.7 決策樹 46
2.8 支持向量機 49
2.9 K近鄰算法 52
2.10 集成方法 54
2.11 分類器結(jié)果對比 59
2.12 交叉驗證 60
2.13 聚類 61
2.14 總結(jié) 66
第3章 數(shù)據(jù)預(yù)處理 67
3.1 技術(shù)要求 68
3.2 數(shù)據(jù)轉(zhuǎn)換 68
3.3 特征選擇 97
3.4 特征生成 103
3.5 總結(jié) 105
第4章 自動化算法選擇 107
4.1 技術(shù)要求 108
4.2 計算復(fù)雜度 108
4.3 訓(xùn)練時間和推理時間的區(qū)別 110
4.4 線性與非線性 119
4.5 必要特征轉(zhuǎn)換 124
4.6 監(jiān)督機器學(xué)習(xí) 125
4.7 無監(jiān)督AutoML 132
4.8 總結(jié) 157
第5章 超參數(shù)優(yōu)化 159
5.1 技術(shù)要求 160
5.2 超參數(shù) 161
5.3 熱啟動 173
5.4 貝葉斯超參數(shù)優(yōu)化 174
5.5 示例系統(tǒng) 175
5.6 總結(jié) 178
第6章 創(chuàng)建AutoML流水線 179
6.1 技術(shù)要求 180
6.2 機器學(xué)習(xí)流水線簡介 180
6.3 簡單的流水線 182
6.4 函數(shù)轉(zhuǎn)換器 184
6.5 復(fù)雜流水線 187
6.6 總結(jié) 190
第7章 深度學(xué)習(xí)探究 191
7.1 技術(shù)要求 192
7.2 神經(jīng)網(wǎng)絡(luò)概覽 192
7.3 使用Keras的前饋神經(jīng)網(wǎng)絡(luò) 198
7.4 自編碼器 201
7.5 卷積神經(jīng)網(wǎng)絡(luò) 205
7.6 總結(jié) 210
第8章 機器學(xué)習(xí)和數(shù)據(jù)科學(xué)項目的重點 211
8.1 機器學(xué)習(xí)搜索 211
8.2 機器學(xué)習(xí)的權(quán)衡 221
8.3 典型數(shù)據(jù)科學(xué)項目的參與模型 222
8.4 參與模型的階段 223
8.5 總結(jié) 228
作者簡介 230
索引 231