店铺推荐
【作者】
卓伟雄（Wee Hyong Tok）是微软公司云与企业组的信息管理和机器学习（IMML）团队的资深程序经理。Wee Hyong带来了数十年跨行业和学术的数据库系统经验。在获得博士学位之前，Wee Hyong是新加坡一个大型电信公司的系统分析师。Wee Hyong是SQL Server方向的最有价值专家（MVP），专注于商业智能和数据挖掘领域。他率先在东南亚开展数据挖掘训练营，为IT专家带来知识和技术，使他们可以在他们的组织里使用分析工具把原始数据转成洞察。他加入微软并在SQL Server团队里工作，负责塑造SSIS Server，并在SQL Server 2012里把它从概念变成实现。Wee Hyong拥有新加坡国立大学的计算机科学的博士学位和计算方面的硕士学位（获得一等荣誉）。他发表过21篇同行评审的学术论文和期刊文章。他是以下书籍的合著者：《Predictive Analytics with Microsoft Azure Machine Learning》《Introducing Microsoft Azure HD Insight》和《Microsoft SQL Server 2012 Integration Services》。
【内容】
学习成功机器学习项目的很好实践。
使用Azure完成自动机器学习。
理解分类和回归，以及模型可解释性和透明性等概念。
了解如何在其他环境中使用AutomatedML，如AzureDatabricks、ML.NET和SQLServer。
探索推动机器学习大众化的工具。
使用Azure完成自动机器学习。
理解分类和回归，以及模型可解释性和透明性等概念。
了解如何在其他环境中使用AutomatedML，如AzureDatabricks、ML.NET和SQLServer。
探索推动机器学习大众化的工具。
【目录】
序1
前言3
第1部分自动机器学习
第1章机器学习：概述和很好实践9
机器学习：简要回顾10
模型参数12
超参数13
机器学习项目的很好实践14
理解决策过程14
建立性能指标15
强调透明度以获得信任16
勇于实验17
不要孤军作战17
迭代而耗时的过程19
特征工程20
算法选择22
超参数调整22
端到端过程22
增长的需求24
小结27
第2章自动机器学习如何工作28
什么是自动机器学习?28
理解数据28
检测任务31
选择评价指标32
特征工程33
选择模型37
监控和重训练41
综合41
Automated ML42
Automated ML如何工作42
保留隐私43
支持透明度44
防护45
端到端模型生命周期管理46
小结46
第2部分Azure的Automated ML
第3章开始使用微软Azure机器学习和Automated ML49
机器学习过程49
协作和监控50
部署51
为Automated ML建立一个Azure机器学习工作区51
AzureNotebooks59
NotebookVM69
小结70
第4章特征工程和自动机器学习71
Automated ML中可用的数据预处理方法73
Automated ML的自动特征化74
分类和回归的自动特征化76
时间序列预报的自动特征化82
小结88
第5章部署自动机器学习模型89
部署模型89
注册模型92
创建容器映像95
部署模型进行测试100
测试已部署的模型104
部署到AKS105
Web服务的Swagger文档107
调试部署109
Web服务部署失败109
小结112
第6章分类和回归113
为什么使用分类和回归？113
分类和回归算法116
使用Automated ML完成分类和回归118
小结134
第3部分企业如何使用自动机器学习
第7章使用Automated ML支持模型可解释性和透明性137
模型可解释性137
Azure机器学习的模型可解释性139
模型透明性149
理解Automated ML模型流水线150
防护150
小结152
第8章开发人员使用Automated ML153
AzureDatabricks和ApacheSpark153
MLNET167
SQLServer169
小结169
第9章所有人使用Automated ML171
Azure门户UI172
PowerBI181
准备数据182
Automated ML训练184
理解很好模型186
理解Automated ML训练过程189
模型部署和推理191
支持协作191
Azure机器学习到PowerBI191
PowerBIAutomated ML到Azure机器学习194
小结194
作者介绍197
封面介绍198
前言3
第1部分自动机器学习
第1章机器学习：概述和很好实践9
机器学习：简要回顾10
模型参数12
超参数13
机器学习项目的很好实践14
理解决策过程14
建立性能指标15
强调透明度以获得信任16
勇于实验17
不要孤军作战17
迭代而耗时的过程19
特征工程20
算法选择22
超参数调整22
端到端过程22
增长的需求24
小结27
第2章自动机器学习如何工作28
什么是自动机器学习?28
理解数据28
检测任务31
选择评价指标32
特征工程33
选择模型37
监控和重训练41
综合41
Automated ML42
Automated ML如何工作42
保留隐私43
支持透明度44
防护45
端到端模型生命周期管理46
小结46
第2部分Azure的Automated ML
第3章开始使用微软Azure机器学习和Automated ML49
机器学习过程49
协作和监控50
部署51
为Automated ML建立一个Azure机器学习工作区51
AzureNotebooks59
NotebookVM69
小结70
第4章特征工程和自动机器学习71
Automated ML中可用的数据预处理方法73
Automated ML的自动特征化74
分类和回归的自动特征化76
时间序列预报的自动特征化82
小结88
第5章部署自动机器学习模型89
部署模型89
注册模型92
创建容器映像95
部署模型进行测试100
测试已部署的模型104
部署到AKS105
Web服务的Swagger文档107
调试部署109
Web服务部署失败109
小结112
第6章分类和回归113
为什么使用分类和回归？113
分类和回归算法116
使用Automated ML完成分类和回归118
小结134
第3部分企业如何使用自动机器学习
第7章使用Automated ML支持模型可解释性和透明性137
模型可解释性137
Azure机器学习的模型可解释性139
模型透明性149
理解Automated ML模型流水线150
防护150
小结152
第8章开发人员使用Automated ML153
AzureDatabricks和ApacheSpark153
MLNET167
SQLServer169
小结169
第9章所有人使用Automated ML171
Azure门户UI172
PowerBI181
准备数据182
Automated ML训练184
理解很好模型186
理解Automated ML训练过程189
模型部署和推理191
支持协作191
Azure机器学习到PowerBI191
PowerBIAutomated ML到Azure机器学习194
小结194
作者介绍197
封面介绍198
