自动机器学习入门与实践：使用Python

　　AutoML可以将部分机器学习过程自动化，减轻数据科学从业者的工作负担，深受高级分析人员的喜爱。本书介绍搭建AutoML模块的基础知识，并通过练习帮助读者消化这些知识。读者将学习使用机器学习流水线自动实现数据预处理、特征选择、模型训练、模型优化等任务，学习应用auto-sklearn和MLBox等已有的自动化库，并且创建和扩展自定义的AutoML环节。阅读本书，你将对AutoML有更清晰的认识，能利用真实数据集完成自动化任务。书中知识可运用到实际的机器学习项目中，或者在机器学习竞赛中助你一臂之力。

　　Sibanjan Das是业界资深数据科学顾问，是广获好评的《Data Science Using Oracle Data Miner and Oracle R Enterprise》一书作者。

第1章 AutoML简介 1 1.1 机器学习的范围 2 1.2 什么是AutoML 4 1.3 为什么和怎么用AutoML 10 1.4 何时需要将机器学习自动化 11 1.5 能学到什么 11 1.6 AutoML库概述 13 1.7 总结 23 第2章 Python机器学习简介 25 2.1 技术要求 26 2.2 机器学习 26 2.3 线性回归 28 2.4 重要评估指标——回归算法 37 2.5 逻辑回归 39 2.6 重要评估指标——分类算法 44 2.7 决策树 46 2.8 支持向量机 49 2.9 K近邻算法 52 2.10 集成方法 54 2.11 分类器结果对比 59 2.12 交叉验证 60 2.13 聚类 61 2.14 总结 66 第3章 数据预处理 67 3.1 技术要求 68 3.2 数据转换 68 3.3 特征选择 97 3.4 特征生成 103 3.5 总结 105 第4章 自动化算法选择 107 4.1 技术要求 108 4.2 计算复杂度 108 4.3 训练时间和推理时间的区别 110 4.4 线性与非线性 119 4.5 必要特征转换 124 4.6 监督机器学习 125 4.7 无监督AutoML 132 4.8 总结 157 第5章 超参数优化 159 5.1 技术要求 160 5.2 超参数 161 5.3 热启动 173 5.4 贝叶斯超参数优化 174 5.5 示例系统 175 5.6 总结 178 第6章 创建AutoML流水线 179 6.1 技术要求 180 6.2 机器学习流水线简介 180 6.3 简单的流水线 182 6.4 函数转换器 184 6.5 复杂流水线 187 6.6 总结 190 第7章 深度学习探究 191 7.1 技术要求 192 7.2 神经网络概览 192 7.3 使用Keras的前馈神经网络 198 7.4 自编码器 201 7.5 卷积神经网络 205 7.6 总结 210 第8章 机器学习和数据科学项目的重点 211 8.1 机器学习搜索 211 8.2 机器学习的权衡 221 8.3 典型数据科学项目的参与模型 222 8.4 参与模型的阶段 223 8.5 总结 228 作者简介 230 索引 231