跨平台机器学习：ML.NET架构及应用编程

　　ML.NET 是面向.NET 开发人员的开源机器学习框架，可以帮助开发人员使用 C# 或 F# 创建自定义机器学习模型，从而将机器学习集成到 Web、移动、桌面、游戏和物联网应用中。《跨平台机器学习：ML.NET架构及应用编程》以ML.NET 为核心，介绍了架构及其基本知识，介绍了ML.NET 的八大机器学习应用场景：预测、分类、聚类、异常检查、预测、推荐、图像分类以及神经网络。 《跨平台机器学习：ML.NET架构及应用编程》适合数据工程师使用和参考。

　　作者简介迪诺·埃斯波西托（Dino Esposito）Crionet首席架构师兼联合创始人，为专业体育机构提供创新软件和服务。16届微软最有价值专家，出版著作超过20部。弗朗西斯科·埃斯波西托（Francesco Esposito）数学高手，精通高等数学与数据科学，《机器学习导论》合著者。目前服务于Crionet，担任工程与数学总监。连续创业者，先后创办了Youbiquitous和KBMS Data Force。

 
第1章 人工智能软件 001
第2章　透视ML.NET架构 011
第3章　ML.NET基础 033
第4章　预测任务 055
第5章　分类任务 091
第6章　聚类任务 125
第7章　异常检查任务 149
第8章　预测任务 177
第9章　推荐任务 199
第10章　图像分类任务 219
第11章　神经网络概述 237
第12章　用于识别护照的神经网络 255
附录　模型的可解释性  271
详 细 目 录
第1章　人工智能软件 001
1.1　软件的源起 002
1.1.1　计算机的形式化 002
1.1.2　计算机工程设计 003
1.1.3　人工智能的诞生 004
1.1.4　作为副作用的软件 004
1.2　软件在今天的作用 005
1.2.1　自动化任务 006
1.2.2　反映现实世界 007
1.2.3　赋能用户 008
1.3　人工智能如同软件 008
第2章　透视ML.NET架构 011
2.1　Python与机器学习 012
2.1.1　Python为什么在机器学习中如此受欢迎 012
2.1.2　Python机器学习库的分类 013
2.1.3　Python模型顶部的端到端方案 016
2.2　ML.NET概述 017
2.2.1　ML.NET中的学习管道 018
2.2.2　模型训练执行摘要 024
2.3　使用训练好的模型 028
2.3.1　使模型可从外部调用 029
2.3.2　其他部署场景 030
2.3.3　从数据科学到编程 030
2.4　小结 031
第3章　ML.NET基础 033
3.1　通往数据工程 033
3.1.1　数据科学家的角色 034
3.1.2　数据工程师的角色 035
3.1.3　机器学习工程师的角色 036
3.2　从什么数据开始 037
3.2.1　理解可用的数据 037
3.2.2　构建数据处理管道 040
3.3　训练步骤 043
3.3.1　选择算法 044
3.3.2　衡量算法的实际价值 045
3.3.3　计划测试阶段 046
3.3.4　关于指标 047
3.4　在客户端应用程序中使用模型 048
3.4.1　获取模型文件 049
3.4.2　完整项目 049
3.4.3　预测打车费用 050
3.4.4　可伸缩性的考虑 052
3.4.5　设计恰当的用户界面 053
3.5　小结 054
第4章　预测任务 055
4.1　管道和评估器链 056
4.1.1　数据视图 056
4.1.2　转换器 057
4.1.3　估算器 058
4.1.4　管道 059
4.2　回归ML任务 059
4.2.1　ML任务的常规方面 060
4.2.2　支持的回归算法 060
4.2.3　支持的校验技术 063
4.3　使用回归任务 066
4.3.1　可用的训练数据 066
4.3.2　特征工程 071
4.3.3　访问数据库内容 074
4.3.4　合成训练管道 077
4.4　机器学习深入思考 087
4.4.1　简单线性回归 087
4.4.2　非线性回归 088
4.5　小结 089
第5章　分类任务 091
5.1　二分类机器学习任务 091
5.1.1　支持的算法 092
5.1.2　支持的验证技术 094
5.2　情感分析的二分类 094
5.2.1　了解可用的训练数据 094
5.2.2　特征工程 098
5.2.3　合成训练管道 101
5.3　多分类ML任务 106
5.4　使用多分类任务 110
5.4.1　了解可用的数据 110
5.4.2　合成训练管道 113
5.5　机器学习深入思考 121
5.5.1　分类的多面性 121
5.5.2　情感分析的另一个视角 122
5.6　小结 123
第6章　聚类任务 125
6.1　聚类ML任务 125
6.1.1　无监督学习 126
6.1.2　了解可用的训练数据 126
6.1.3　特征工程 131
6.1.4　聚类算法 132
6.1.5　合成训练管道 137
6.1.6　设置客户端应用程序 139
6.2　机器学习深入思考  143
6.2.1　第一步始终是聚类分析 144
6.2.2　数据集的无监督缩减 145
6.3　小结 147
第7章　异常检查任务 149
7.1　什么是异常 149
7.2　检查异常情况的常规方法 150
7.2.1　时间序列数据 150
7.2.2　统计技术  153
7.2.3　机器学习方法 154
7.3　异常检查ML任务 157
7.3.1　了解可用的训练数据 157
7.3.2　合并训练管道 160
7.3.3　设置客户端应用程序 167
7.4　机器学习深入思考 171
7.4.1　预测性维护  172
7.4.2　金融诈骗 174
7.5　小结 175
第8章　预测任务 177
8.1　预测未来 177
8.1.1　简单预测方法 178
8.1.2　预测的数学基础 178
8.1.3　常见的分解算法 180
8.1.4　SSA算法 181
8.2　 预测ML任务 183
8.2.1　了解可用的数据  183
8.2.2　合成训练管道 185
8.2.3　设置客户端应用程序  190
8.3　机器学习深入思考 193
8.3.1　不是公园里的随机漫步 194
8.3.2　时间序列的其他方法  194
8.3.3　电力生产预测  195
8.4　小结 198
第9章　推荐任务 199
9.1　深入信息检索系统 200
9.1.1　排名的基本艺术  201
9.1.2　推荐的灵活艺术  201
9.1.3　协同过滤的精妙艺术 203
9.2　ML推荐任务 204
9.2.1　了解可用的数据  204
9.2.2　合成训练管道 208
9.2.3　设置客户端应用程序 212
9.3　机器学习深入思考 215
9.3.1　如果喜欢奈飞 215
9.3.2　如果你不喜欢奈飞 216
9.4　小结 217
第10章　图像分类任务 219
10.1　迁移学习 220
10.1.1　流行的图像处理神经网络  220
10.1.2　其他图像神经网络  220
10.2　通过合成进行迁移学习 221
10.2.1　ML.NET中的迁移学习模式 221
10.2.2　新的图像分类器的总体目标 222
10.2.3　了解可用的数据  223
10.2.4　合成训练管道 226
10.2.5　设置客户端应用程序 228
10.3　ML图像分类任务 230
10.3.1　图像分类API 231
10.3.2　使用图像分类API 232
10.4　机器学习深入思考 233
10.4.1　人脑的魔法 233
10.4.2　人工打造的神经网络  234
10.4.3　重新训练 235
10.5　小结 235
第11章　神经网络概述 237
11.1　前馈神经网络 237
11.1.1　人工神经元  238
11.1.2　网络的层级  240
11.1.3　Logistic神经元  241
11.1.4　训练神经网络  243
11.2　更复杂的神经网络 246
11.2.1　有状态神经网络 246
11.2.2　卷积神经网络 249
11.2.3　自动编码器 252
11.3　小结 253
第12章　用于识别护照的神经网络 255
12.1　使用Azure认知服务 255
12.1.1　问题的剖析和解决方案 256
12.1.2　与ID表单识别器协同工作 257
12.2　自己动手打造神经网络 261
12.2.1　神经网络的拓扑  262
12.2.2　训练时的麻烦 267
12.3　机器学习深入思考 268
12.3.1　商品和垂直解决方案  269
12.3.2　什么时候只能使用定制解决方案 269
12.4　小结 270
附录　模型的可解释性  271