●第1章 AutoML簡介 1
1.1 機器學習的範圍 2
1.2 什麼是AutoML 4
1.3 為什麼和怎麼用AutoML 10
1.4 何時需要將機器學習自動化 11
1.5 能學到什麼 11
1.6 AutoML庫概述 13
1.7 總結 23
第2章 Python機器學習簡介 25
2.1 技術要求 26
2.2 機器學習 26
2.3 線性回歸 28
2.4 重要評估指標——回歸算法 37
2.5 邏輯回歸 39
2.6 重要評估指標——分類算法 44
2.7 決策樹 46
2.8 支持向量機 49
2.9 K近鄰算法 52
2.10 集成方法 54
2.11 分類器結果對比 59
2.12 交叉驗證 60
2.13 聚類 61
2.14 總結 66
第3章 數據預處理 67
3.1 技術要求 68
3.2 數據轉換 68
3.3 特征選擇 97
3.4 特征生成 103
3.5 總結 105
第4章 自動化算法選擇 107
4.1 技術要求 108
4.2 計算復雜度 108
4.3 訓練時間和推理時間的區別 110
4.4 線性與非線性 119
4.5 必要特征轉換 124
4.6 監督機器學習 125
4.7 無監督AutoML 132
4.8 總結 157
第5章 超參數優化 159
5.1 技術要求 160
5.2 超參數 161
5.3 熱啟動 173
5.4 貝葉斯超參數優化 174
5.5 示例繫統 175
5.6 總結 178
第6章 創建AutoML流水線 179
6.1 技術要求 180
6.2 機器學習流水線簡介 180
6.3 簡單的流水線 182
6.4 函數轉換器 184
6.5 復雜流水線 187
6.6 總結 190
第7章 深度學習探究 191
7.1 技術要求 192
7.2 神經網絡概覽 192
7.3 使用Keras的前饋神經網絡 198
7.4 自編碼器 201
7.5 卷積神經網絡 205
7.6 總結 210
第8章 機器學習和數據科學項目的重點 211
8.1 機器學習搜索 211
8.2 機器學習的權衡 221
8.3 典型數據科學項目的參與模型 222
8.4 參與模型的階段 223
8.5 總結 228
作者簡介 230
索引 231
