基於 Azure 的自動機器學習 (Practical Automated Machine Learning on Azure Using Azure Machine Learning to Quickly Build AI Solutions)
Deepak Mukunthu，Parashar Shah，Wee-Hyong Tok 著 林琪 譯
- 出版商: 中國電力
- 出版日期: 2020-09-01
- 定價: $408
- 售價: 8.5 折 $347
- 語言: 簡體中文
- 頁數: 208
- 裝訂: 平裝
- ISBN: 7519848558
- ISBN-13: 9787519848552
-
相關分類:
Microsoft Azure、Machine Learning
- 此書翻譯自: Practical Automated Machine Learning on Azure
已絕版
買這商品的人也買了...
-
$250統計思維：程序員數學之概率統計（第2版） (圖靈程序設計叢書) -
精通 Azure Analytics｜在雲端上使用 Azure Data Lake、HDInsight 與 Spark (Mastering Azure Analytics : Architecting in the Cloud with Azure Data Lake, HDInsight, and Spark)$680$537 -
Azure 雲端服務滲透測試攻防實務$520$390 -
微軟 Azure 實戰參考$594$564 -
$356程序員數學從零開始 -
$301Python 自然語言處理實戰 (Hands-On Natural Language Processing with Python: A practical guide to applying deep learning architectures to your NLP applications) -
寫給程式設計師的深度學習｜使用 fastai 和 PyTorch (Deep Learning for Coders with fastai and PyTorch)$980$774 -
力抗暗黑：Azure 資安天使的逆襲（iT邦幫忙鐵人賽系列書）$500$390 -
Deep Learning 3｜用 Python 進行深度學習框架的開發實作$780$616 -
打造機器學習應用｜從構想邁向產品 (Building Machine Learning Powered Applications)$580$458 -
機器學習設計模式 (Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops)$680$537 -
$658混合雲架構 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
金融網絡安全$539$512 -
金融級 IT 架構：數字銀行的雲原生架構解密$654$621 -
$403大數據安全：技術與管理 -
第一次用 Azure 雲端服務就上手$620$465 -
一本書講透數據治理：戰略、方法、工具與實踐$774$735 -
$356集成學習入門與實戰：原理、算法與應用 -
Azure DevOps 顧問實戰$500$375 -
$607Python Web 深度學習 -
大話 AWS 雲端架構：雲端應用架構圖解輕鬆學, 3/e$650$507 -
ChatGPT 指令大全與創新應用：GPT-4 搶先看、串接 API、客服機器人、AI英文家教，一鍵打造 AI智慧產品$680$530 -
Smaller C｜用於小型機器之精實程式碼 (Smaller C: Lean Code for Small Machines)$680$537 -
利用 FastAPI 構建 Python 微服務$774$735
相關主題
商品描述
對機器學習的需求在迅猛增長。各行業的組織都努力在其產品和流程中註入智能以取悅客戶，擴大業務影響。
不過，開發一個好的機器學習模型是一個迭代且耗時的過程。
通過使用機器學習來幫助構建模型，自動機器學習可以讓這個過程變得更容易。
這本實用指南介紹瞭如何對你的數據應用自動機器學習。
本書不僅提供了有深度的技術介紹，還提供了大量實踐示例和案例研究，
展示瞭如何使用自動機器學習解決實際問題。
有一定機器學習經驗的數據科學家和開發人員可以學習如何使用Automated ML工具來更快、
更高效地構建他們的模型。學習成功機器學習項目的最佳實踐。
使用Azure完成自動機器學習。
理解分類和回歸，以及模型可解釋性和透明性等概念。
了解如何在其他環境中使用Automated ML，如Azure Databricks、ML.NET和SQL Server。
探索推動機器學習大眾化的工具。
作者簡介
Deepak Mukunthu
領導了微軟Azure AI團隊的Automated ML項目，他著力推進產品策略，目標是實現AI的加速落地和大眾化。
Parashar Shah
是微軟Azure AI團隊的成員，領導了多個大數據和深度學習項目，同時積極與全球企業客戶合作。
Wee-Hyong Tok
是微軟公司雲與企業組的信息管理和機器學習（IMML）團隊的程序經理。
Wee-Hyong帶來了數十年跨行業和學術的數據庫系統經驗。
在獲得博士學位之前，Wee-Hyong是新加坡一個大型電信公司的系統分析師。
Wee-Hyong是SQL Server方向的ZUI有價值專家（MVP），專注於商業智能和數據挖掘領域。
他率先在東南亞開展數據挖掘訓練營，為IT專家帶來知識和技術，
使他們可以在他們的組織裡使用分析工具把原始數據轉成洞察。
他加入微軟並在SQL Server團隊里工作，負責塑造SSIS Server，
並在SQL Server 2012裡把它從概念變成實現。
Wee-Hyong擁有新加坡國立大學的計算機科學的博士學位和計算方面的碩士學位（獲得一等榮譽）。
他發表過21篇同行評審的學術論文和期刊文章。
他是以下書籍的合著者：《Predictive Analytics with Microsoft Azure Machine Learning》
《Introducing Microsoft Azure HDInsight》和《Microsoft SQL Server 2012 Integration Services》。
目錄大綱
序1
前言3
部分自動機器學習
章機器學習：概述和佳實踐9
機器學習：簡要回顧10
模型參數12
超參數13
機器學習項目的佳實踐14
理解決策過程14
建立性能指標15
強調透明度以獲得信任16
勇於實驗17
不要孤軍作戰17
迭代而耗時的過程19
特徵工程20
算法選擇22
超參數調整22
端到端過程22
增長的需求24
小結27
第2章自動機器學習如何工作28
什麼是自動機器學習?28
理解數據28
檢測任務31
選擇評價指標32
特徵工程33
選擇模型37
監控和重訓練41
綜合41
Automated ML42
Automated ML如何工作42
保留隱私43
支持透明度44
防護45
端到端模型生命週期管理46
小結46
第2部分Azure的Automated ML
第3章開始使用微軟Azure機器學習和Automated ML49
機器學習過程49
協作和監控50
部署51
為Automated ML建立一個Azure機器學習工作區51
AzureNotebooks59
NotebookVM69
小結70
第4章特徵工程和自動機器學習71
Automated ML中可用的數據預處理方法73
Automated ML的自動特徵化74
分類和回歸的自動特徵化76
時間序列預報的自動特徵化82
小結88
第5章部署自動機器學習模型89
部署模型89
註冊模型92
創建容器映像95
部署模型進行測試100
測試已部署的模型104
部署到AKS105
Web服務的Swagger文檔107
調試部署109
Web服務部署失敗109
小結112
第6章分類和回歸113
為什麼使用分類和回歸？113
分類和回歸算法116
使用Automated ML完成分類和回歸118
小結134
第3部分企業如何使用自動機器學習
第7章使用Automated ML支持模型可解釋性和透明性137
模型可解釋性137
Azure機器學習的模型可解釋性139
模型透明性149
理解Automated ML模型流水線150
防護150
小結152
第8章開發人員使用Automated ML153
AzureDatabricks和ApacheSpark153
MLNET167
SQLServer169
小結169
第9章所有人使用Automated ML171
Azure門戶UI172
PowerBI181
準備數據182
Automated ML訓練184
理解佳模型186
理解Automated ML訓練過程189
模型部署和推理191
支持協作191
Azure機器學習到PowerBI191
PowerBIAutomated ML到Azure機器學習194
小結194
作者介紹197
封面介紹198
