本书介绍学习深度学习的基础知识，了解机器学习流程：产生可交付模型的步骤，掌握进行预测，改进决策，并应用概率方法，以及通过分类和聚类对数据进行分组机器学习可以解决哪些问题。提出了一系列可以用来解决现实问题的算法，以及利用神经网络的深度学习技术。本书适合对于想要构建机器学习应用程序的专业人员。

**部分 机器学习基础 第1章 人类是如何学习的3 迈向思考型机器4 机器推理的曙光4 哥德尔不完备定理4 计算机的形式化5 迈向人类思想的形式化5 人工智能学科的诞生6 学习原理7 什么是智能软件7 神经元是如何工作的8 大棒加胡萝卜法14 应变能力15 人工智能的形式16 原始智能16 专家系统16 自治系统19 人工情感的形式20 小结22 第2章 智能软件23 应用人工智能23 软件智能的发展24 专家系统25 通用人工智能27 无监督学习27 监督学习29 小结32 第3章 映射问题和算法33 基本问题33 对象分类34 结果预测36 对象分组38 更复杂的问题40 图像分类41 目标检测41 文本分析42 自动机器学习42 AutoML平台概述42 AutoML模型构建器实战45 小结48 第4章 机器学习解决方案的一般步���49 数据收集50 组织中的数据驱动文化50 存储选项51 数据准备52 提高数据质量53 清洗数据53 特征工程54 *终确定训练数据集56 模型选择及训练58 算法速查表59 神经网络案例61 评估模型性能62 模型部署64 选择合适的主机平台64 公开API65 小结66 第5章 数据因素67 数据质量67 数据有效性68 数据收集69 数据完整性70 完备性70 **性70 及时性71 准确性71 一致性71 什么是数据科学家71 工作中的数据科学家72 数据科学家的工具箱73 数据科学家和软件开发人员73 小结74 第二部分 .NET中的机器学习 第6章 .NET方式77 为什么用/不用Python78 为什么Python在机器学习中如此受欢迎78 Python机器学习库的分类80 基于Python模型的端到端解决方案82 ML.NET简介83 在ML.NET中创建和使用模型84 学习环境的要素87 小结91 第7章 实现ML.NET管道93 从数据开始93 探索数据集94 应用公共数据转换94 关于数据集的注意事项95 训练步骤96 选择算法96 测量算法的实际值97 计划测试阶段97 指标预览98 从客户端应用程序中预测价格99 获取模型文件99 设置ASP.NET应用程序99 预测出租车费用100 设计适当的用户界面102 质疑数据和解决问题的方法103 小结103 第8章 ML.NET任务和算法105 ML.NET的整体框架105 涉及的类型和接口105 数据表示107 支持的目录109 分类任务111 二进制分类111 多类分类116 聚类任务122 准备工作数据122 训练模型123 评估模型124 迁移学习126 建立图像分类器的步骤127 应用必要的数据转换127 模型的构建和训练129 关于迁移学习的补充说明131 小结132 第三部分 浅层学习基础 第9章 机器学习的数学基础135 统计数据135 均值136 众数138 中位数139 偏差和方差141 方差142 偏差144 数据表示145 五数概括法145 直方图146 散点图148 散点图矩阵148 以适当的比例绘制149 小结150 第10章 机器学习的度量151 统计与机器学习151 机器学习的**目标152 从统计模型到机器学习模型153 机器学习模型的评价155 从数据集到预测155 测量模型的精度157 为处理准备数据162 缩放162 标准化163 归一化163 小结163 第11章 进行简单预测：线性回归165 问题165 用数据指导预测结果166 对关系做假设167 线性算法169 总体思路169 确定代价函数170 普通的*小二乘算法171 梯度下降算法174 判断算法的好坏178 改进解决方案178 多项式方法178 正则化179 小结180 第12章 进行复杂的预测和决策：决策树181 问题181 什么是树182 机器学习中的树183 基于树的算法示例183 基于树的算法的设计原理185 决策树与专家系统185 树算法的种类186 分类树187 CART算法的工作原理187 ID3算法的工作原理191 回归树194 算法的工作原理194 剪枝195 小结196 第13章 进行更好的决策：集成学习算法197 问题197 bagging技术198 随机森林算法198 算法步骤200 优点与缺点202 boosting技术203 boosting的功能203 梯度boosting206 优点与缺点210 小结210 第14章 概率方法：朴素贝叶斯211 贝叶斯统计快速入门211 贝叶斯概率简介212 基本符号212 贝叶斯定理214 一个实用的代码审查示例215 贝叶斯统计在分类中的应用216 问题的初始表述217 简化的有效分子式217 贝叶斯分类器实践218 朴素贝叶斯分类器219 通用算法219 多项式朴素贝叶斯220 伯努利朴素贝叶斯223 高斯朴素贝叶斯224 朴素贝叶斯回归226 贝叶斯线性回归的基础226 贝叶斯线性回归的应用228 小结228 第15章 对数据进行分组：分类与聚类229 有监督分类的基本方法230 K–近邻算法230 算法步骤232 应用场景234 支持向量机235 算法概述235 数学知识回顾239 算法步骤240 无监督聚类245 应用案例：缩减数据集245 K–均值算法246 K–模型算法247 DBSCAN算法248 小结251 第四部分 深度学习基础 第16章 前馈神经网络255 神经网络简史255 McCulloch-Pitt神经元255 前馈网络256 更复杂的网络256 人工神经元的类型257 感知机神经元257 逻辑神经元260 训练神经网络263 整体学习策略263 反向传播算法264 小结270 第17章 神经网络的设计273 神经网络概览273 激活函数274 隐层277 输出层281 构建神经网络282 现成的框架282 你的**个Keras神经网络284 神经网络与其他算法287 小结289 第18章 其他类型的神经网络291 前馈神经网络的常见问题291 递归神经网络292 有状态神经网络的结构292 LSTM神经网络295 卷积神经网络298 图像分类与识别298 卷积层299 池化层301 全连接层303 神经网络的进一步发展304 生成对抗神经网络304 自动编码器305 小结307 第19章 情感分析：端到端解决方案309 为训练准备数据310 对问题进行形式化310 获取数据311 处理数据311 关于中间格式的注意事项313 训练模型313 选择生态系统314 建立单词字典314 选择训练器315 网络的其他方面319 客户端应用321 获取模型的输入321 从模型中预测322 将响应转化为可用信息323 小结323 第五部分 思考 第20章 面向现实世界的AI云服务327 Azure认知服务327 Azure机器学习工作室329 Azure机器学习服务331 数据科学虚拟机333 本地服务333 SQL Server机器学习服务333 机器学习服务器334 微软数据处理服务334 Azure数据湖334 Azure Databricks334 Azure HDInsight335 用于Apache Spark的.NET335 Azure数据分享336 Azure数据工厂336 小结336 第21章 人工智能的商业愿景339 工业界对AI的看法339 挖掘潜能339 AI可以为你做什么340 面临的挑战342 端到端解决方案343 我们就叫它咨询吧344 软件和数据科学之间的界线344 敏捷AI346 小结349 Contents PART I LAYING THE GROUNDWORK OF MACHINE LEARNING Chapter 1 How Humans Learn 3 The Journey Toward Thinking Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 The Dawn of Mechanical Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Godel’s Incompleteness Theorems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Formalization of Computing Machines. . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Toward the Formalization of Human Thought . . . . . . . . . . . . . . . . . . . . . 5 The Birth of Artificial Intelligence as a Discipline . . . . . . . . . . . . . . . . . . . 6 The Biology of Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 What Is Intelligent Software, Anyway? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 How Neurons Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 The Carrot-and-Stick Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 Adaptability to Changes . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 15 Artificial Forms of Intelligence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Primordial Intelligence . . . . . . . . . . . . . .