机器学习与人工智能实战：基于业务场景的工程应用

　　工程师需要知道的机器学习和人工智能提供的实例和图示来自Prosise的AI和ML课程，这]课程受到了全球各地许多公司和研究所的青睐和欢迎。作者不涉及让人滑悚然和望而生畏的数学公式，目的只有一个那就 是面向工程师和软件开发人员，帮助他们迅速入门并通过案例迅速运用人工智能和机器学习来解决业务问题。本书讲帮助读者学会什么是机器学习和深度学习以及两者各有哪些用途;理解常用的深度学习算法的原理及其应用;学会标记和未标记数据，监督学习和非监督学习有何差异;通过scikit-learn和神经网络Keras和TensorFlow ，运用Python来进行机器学习建模;训练和评分地柜模型与-进制和多类粉类器模型 ;构建面检测和面识别模型以及 对象检测模型。本书适合硬件工程师与软件开发人员阅读和参考

　　杰夫·普罗西斯 （Jeff Prosise） ，资深工程师，热心于帮助工程师和软件开发人员用好人工智能和机器学习。作为Wintellect的联合创始人，他在微软培训过几千名开发人员，在一些全球软件大会上发表过演讲。此外，杰夫还效力于橡树岭国家实验室和劳伦斯利弗莫尔国家实验室，从事过高功率激光系统和聚变能研究。目前，杰夫在Atmosera担任首席学习官，致力于帮助客户在产品或服务中实际应用人工智能。

第I 分 用Scikit-Learn 进行机器学

第1 章 机器学 3

1.1 什么是机器学 4

1.1.1 机器学与人工智能 7

1.1.2 监督和无监督学 9

1.2 使用k-means 聚类算法的无监督学 10

1.2.1 将k-means 聚类算法应用于客户数据 13

1.2.2 使用两个以上的维度对客户进行细分 16

1.3 监督学 19

1.3.1 k 近邻 22

1.3.2 使用k 近邻对花卉进行分类 24

1.4 小结 28

第2 章 回归模型 30

2.1 线性回归 30

2.2 决策树 34

2.3 随机森林 37

2.4 梯度提升机 39

2.5 支持向量机 41

2.6 回归模型的度测量 42

2.7 使用回归来预测车费 46

2.8 小结 51

第3 章 分类模型 53

3.1 逻辑回归 54

3.2 分类模型的率度量 56

3.3 分类数据 61

3.4 二分类 63

3.4.2 检测信用卡欺诈 68

3.5 多分类 73

3.6 构建数字识别模型 74

3.7 小结 78

第4 章 文本分类 80

4.1 准备用于分类的文本 81

4.2 情感分析 84

4.3 朴素贝叶斯 88

4.4 垃圾邮件过滤 91

4.5 推荐系统 95

4.5.1 余弦相似性 96

4.5.2 构建一个电影推荐系统 98

4.6 小结 100

第5 章 支持向量机 102

5.1 支持向量机的工作原理 102

5.1.1 核 105

5.1.2 核技巧 106

5.2 参数调整 109

5.3 数据归一化 112

5.4 管道化 117

5.5 使用SVM 进行面识别 118

5.6 小结 124

第6 章 主成分分析 126

6.1 理解主成分分析 127

6.2 噪声过滤 133

6.3 数据匿名化 135

6.4 可视化高维数据 137

6.5 异常检测 140

6.5.1 使用PCA 检测信用卡欺诈 141

6.5.2 使用PCA 来预测轴承故障 145

6.5.3 多变量异常检测 150

6.6 小结 151

第7 章 机器学模型的作化 152

7.1 从Python 客户端使用Python 模型 153

7.2 pkl 文件的版本管理 157

7.3 从C# 客户端使用Python 模型 157

7.4 容器化机器学模型 160

7.5 使用ONNX 来桥接不同的语言 161

7.6 用ML.NET 在C# 中构建ML 模型 165

7.6.1 用ML.NET 进行情感分析 166

7.6.2 存和加载ML.NET 模型 169

7.7 为Excel 添加机器学功能 169

7.8 小结 173

第II 分 用Keras 和TensorFlow 进行深度学

第8 章 深度学 177

8.1 了解经网络 178

8.2 训练经网络 182

8.3 小结 185

第9 章 经网络 187

9.1 用Keras 和TensorFlow 构建经网络 188

9.1.1 设定经网络的大小 192

9.1.2 使用经网络来预测车费 193

9.2 用经网络进行二分类 197

9.2.1 进行预测 199

9.2.2 训练经网络来检测信用卡欺诈 200

9.3 用经网络进行多分类 204

9.4 训练经网络进行面识别 207

9.5 Dropout 210

9.6 存和加载模型 211

9.7 Keras 回调 213

9.8 小结 216

第10 章 用卷积经网络进行图像分类 218

10.1 理解CNN 219

10.1.1 使用Keras 和TensorFlow 来构建CNN 223

10.1.2 训练CNN 来识别北野生动物 227

10.2 预训练CNN 232

10.3 使用ResNet50V2 对图像分类 235

10.4 转移学 237

10.5 通过转移学来识别北野生动物 240

10.6 数据增强 243

10.6.1 用ImageDataGenerator 进行图像增强 244

10.6.2 使用增强层进行图像增强 247

10.6.3 将图像增强应用于北野生动物 248

10.7 全局池化 251

10.8 用CNN 进行音频分类 252

10.9 小结 259

第11 章 面检测和识别 261

11.1 人脸检测 262

11.1.1 用Viola-Jones 算法进行人脸检测 263

11.1.2 使用Viola-Jones 的OpenCV 实现 265

11.1.3 用卷积经网络检测人脸 267

11.1.4 从照片中提取人脸 271

11.2 面识别 273

11.2.1 将迁移学应用于人脸识别 274

11.2.2 用任务定的权重强化转移学 277

11.2.3 ArcFace 280

11.3 综合运用：检测和识别照片中的人脸 281

11.4 处理未知人脸：闭集和开集分类 287

11.5 小结 288

第12 章 目标检测 290

12.1 R-CNN 291

12.2 Mask R-CNN 294

12.3 YOLO 300

12.4 YOLOv3 和Keras 302

12.5 自定义目标检测 307

12.5.1 用自定义视觉服务训练自定义目标检测模型 308

12.5.2 使用导出的模型 315

12.6 小结 317

第13 章 自然语言处理 318

13.1 文本准备 319

13.2 词嵌入 322

13.3 文本分类 323

13.3.1 自动化文本矢量处理 327

13.3.2 在情感分析模型中使用TextVectorization 328

13.3.3 将词序纳入预测的因素 330

13.3.4 循环经网络(RNN) 331

13.3.5 使用预训练模型进行文本分类 333

13.4 经机器翻译 335

13.4.1 LSTM 编码器- 解码器 336

13.4.2 Transformer 编码器- 解码器 338

13.4.3 构建基于Transformer 的NMT 模型 340

13.4.4 使用预训练模型来翻译文本 349

13.5 基于变换器的双向编码器(BERT) 350

13.5.1 构建基于BERT 的答题系统 352

13.5.2 调BERT 以进行情感分析 355

13.6 小结 359

第14 章 Azure 认知服务 361

14.1 Azure 认知服务简介 362

14.1.1 密钥和结点 364

14.1.2 调用Azure 认知服务API 367

14.1.3 Azure 认知服务容器 369

14.2 计算机视觉服务 371

14.3 语言服务 380

14.4 翻译服务 383

14.5 语音服务 385

14.6 集大成者Contoso Travel 386

14.7 小结 391