微软Azure机器学习实战手册
￥65.00定价
作者： [美]千贺大司 山本和贵 大泽文孝 著
出版时间：2017年11月
出版社：中国人民大学出版社
- 中国人民大学出版社
- 9787300250953
- 272996
- 2017年11月
作者简介
内容简介
“Azure Machine Learning”是一项云端服务，它能够高速构建使用了机器学习的应用软件。 Azure Machine Learning通过图表化来把握“现在的进度和结果” ，并配备了各种统计处理和多样化的机器学习处理方式。这是它的标准技能。 在以前，仅是运作并学习的门槛就已很高，更不用说对机器学习的实际运用。而现在，使用Azure Machine Learning就可以马上进入机器学习的世界。 我们的目标是让技术及商务人士可以通过机器学习，来创造新的服务，并通过数据获得前所未有的视点。
目录
第1章 什么是机器学习
明晰机器学习
机器学习概述
机器学习流行的“原因”
将机器学习用于商业的方法
消除对机器学习的误解
机器学习通过数据进行判断
机器学习是“系统”
机器自己会变聪明吗
必须决定“特征向量”
开启机器学习之旅
机器学习专用工具
无须编程就可以使用的Azure ML
即使如此，依然想编程
通过判断目标来选择分类器
第2章 收集数据
使用公司内部数据
日志文件等历史数据
非时间类型数据
使用公开数据
DATA．GO．JP
DATA．GOV
Twitter
GitHub
第3章 通过Azure ML创建机器学习模型
Azure ML的基本操作
注册Azure ML Studio
在工作区进行操作
机器学习的方法
在Azure ML中进行机器学习的流程
创建机器学习模型时Experiment的编辑界面
机器学习模型的构成和种类
学习逻辑
计算逻辑
学习组件的种类
第4章 使用回归分析预测数据
什么是回归分析
本模拟所实现目标
本模拟所建模型
上传用于分析的数据集
下载CSV文件样本
将CSV文件作为数据集进行上传保存
新建Experiment
添加和调整所要分析的数据集对象
添加数据集
将范围缩小至使用列
修复受损数据
分离学习用数据和评价用数据
构建学习逻辑
构成回归分析的组件
使用已训练模型预测评价用数据
使用评分模型进行数据预测
确认预测值
第5章 尝试使用已建回归分析模型
使用已训练模型进行计算
上传用于计算的数据集对象
在评分模型右上方输入数据即可得出结果
保存已训练模型，使其在其他Experiment中也可以使用
保存已训练模型
使用已训练模型进行预测
新建用于预测的Experiment
创建可进行数据预测的机器学习模型
观察运行结果
以CSV形式输出
数据转换组件
第6章 提高预测精度
提高预测精度的方法
确认目前的预测精度
使用评估模型对分析结果进行评价
确认评价结果
更改参数提高精确度
更改Linear Regression的参数
优化学习组件
可用于回归分析的学习组件种类
更改为贝叶斯线性回归
使用有限的学习数据进行检验
使用“Cross Validate Model”组件
确认“Cross Validate Model”的评价结果
第7章 通过统计分类进行判断
什么是统计分类
本模拟所实现目标
本模拟所建模型
用统计分类创建分类机器学习模型
新建数据集
新建Experiment
创建数据集
构建学习逻辑
预测和评价
确认和反思学习结果
确认使用评价用数据得出的结果
评价统计分类的学习结果
使用其他统计分类学习组件
第8章 用聚类方法判别相似数据
什么是聚类
本模拟所实现目标
本模拟所建模型
创建可通过聚类分析分组的机器学习模型
新建数据集
新建 Experiment
添加数据集
构建学习逻辑
确认分组结果
将用于评价的数据加入到已训练的学习模型中
第9章 活用实验结果
Web API化
数据可视化
第10章 让机器越来越聪明
进行模型的二次学习
用Web API更新公开的分类器（模型更新）
附录 使用Azure ML的方法
创建环境
创建Microsoft账户
激活订阅
登录Azure
云优化您的业务
创建工作区
访问Azure ML Studio
关于收费
免费使用
明晰机器学习
机器学习概述
机器学习流行的“原因”
将机器学习用于商业的方法
消除对机器学习的误解
机器学习通过数据进行判断
机器学习是“系统”
机器自己会变聪明吗
必须决定“特征向量”
开启机器学习之旅
机器学习专用工具
无须编程就可以使用的Azure ML
即使如此，依然想编程
通过判断目标来选择分类器
第2章 收集数据
使用公司内部数据
日志文件等历史数据
非时间类型数据
使用公开数据
DATA．GO．JP
DATA．GOV
GitHub
第3章 通过Azure ML创建机器学习模型
Azure ML的基本操作
注册Azure ML Studio
在工作区进行操作
机器学习的方法
在Azure ML中进行机器学习的流程
创建机器学习模型时Experiment的编辑界面
机器学习模型的构成和种类
学习逻辑
计算逻辑
学习组件的种类
第4章 使用回归分析预测数据
什么是回归分析
本模拟所实现目标
本模拟所建模型
上传用于分析的数据集
下载CSV文件样本
将CSV文件作为数据集进行上传保存
新建Experiment
添加和调整所要分析的数据集对象
添加数据集
将范围缩小至使用列
修复受损数据
分离学习用数据和评价用数据
构建学习逻辑
构成回归分析的组件
使用已训练模型预测评价用数据
使用评分模型进行数据预测
确认预测值
第5章 尝试使用已建回归分析模型
使用已训练模型进行计算
上传用于计算的数据集对象
在评分模型右上方输入数据即可得出结果
保存已训练模型，使其在其他Experiment中也可以使用
保存已训练模型
使用已训练模型进行预测
新建用于预测的Experiment
创建可进行数据预测的机器学习模型
观察运行结果
以CSV形式输出
数据转换组件
第6章 提高预测精度
提高预测精度的方法
确认目前的预测精度
使用评估模型对分析结果进行评价
确认评价结果
更改参数提高精确度
更改Linear Regression的参数
优化学习组件
可用于回归分析的学习组件种类
更改为贝叶斯线性回归
使用有限的学习数据进行检验
使用“Cross Validate Model”组件
确认“Cross Validate Model”的评价结果
第7章 通过统计分类进行判断
什么是统计分类
本模拟所实现目标
本模拟所建模型
用统计分类创建分类机器学习模型
新建数据集
新建Experiment
创建数据集
构建学习逻辑
预测和评价
确认和反思学习结果
确认使用评价用数据得出的结果
评价统计分类的学习结果
使用其他统计分类学习组件
第8章 用聚类方法判别相似数据
什么是聚类
本模拟所实现目标
本模拟所建模型
创建可通过聚类分析分组的机器学习模型
新建数据集
新建 Experiment
添加数据集
构建学习逻辑
确认分组结果
将用于评价的数据加入到已训练的学习模型中
第9章 活用实验结果
Web API化
数据可视化
第10章 让机器越来越聪明
进行模型的二次学习
用Web API更新公开的分类器（模型更新）
附录 使用Azure ML的方法
创建环境
创建Microsoft账户
激活订阅
登录Azure
云优化您的业务
创建工作区
访问Azure ML Studio
关于收费
免费使用
