机械学习 微软Azure机器学习实战手册PDF电子书下载

第1章 什么是机器学习 1

明晰机器学习 2

机器学习概述 2

机器学习流行的“原因” 4

将机器学习用于商业的方法 5

消除对机器学习的误解 9

机器学习通过数据进行判断 9

机器学习是“系统” 11

机器自己会变聪明吗 12

必须决定“特征向量” 12

开启机器学习之旅 14

机器学习专用工具 14

无须编程就可以使用的Azure ML 15

即使如此，依然想编程 17

通过判断目标来选择分类器 17

第2章 收集数据 19

使用公司内部数据 20

日志文件等历史数据 20

非时间类型数据 22

使用公开数据 22

DATA.GO.JP 22

DATA.GOV 23

Twitter 23

GitHub 35

第3章 通过Azure ML创建机器学习模型 39

Azure ML的基本操作 40

注册Azure ML Studio 40

在工作区进行操作 41

机器学习的方法 43

在Azure ML中进行机器学习的流程 43

创建机器学习模型时Experiment的编辑界面 45

机器学习模型的构成和种类 47

学习逻辑 47

计算逻辑 48

学习组件的种类 48

第4章 使用回归分析预测数据 53

什么是回归分析 54

本模拟所实现目标 54

本模拟所建模型 55

上传用于分析的数据集 57

下载CSV文件样本 57

将CSV文件作为数据集进行上传保存 59

新建Experiment 62

添加和调整所要分析的数据集对象 64

添加数据集 65

将范围缩小至使用列 70

修复受损数据 75

分离学习用数据和评价用数据 80

构建学习逻辑 83

构成回归分析的组件 83

使用已训练模型预测评价用数据 87

使用评分模型进行数据预测 88

确认预测值 91

第5章 尝试使用已建回归分析模型 95

使用已训练模型进行计算 96

上传用于计算的数据集对象 96

在评分模型右上方输入数据即可得出结果 97

保存已训练模型，使其在其他Experiment中也可以使用 99

保存已训练模型 100

使用已训练模型进行预测 102

新建用于预测的Experiment 102

创建可进行数据预测的机器学习模型 103

观察运行结果 105

以CSV形式输出 106

数据转换组件 107

第6章 提高预测精度 111

提高预测精度的方法 112

确认目前的预测精度 113

使用评估模型对分析结果进行评价 113

确认评价结果 115

更改参数提高精确度 117

更改Linear Regression的参数 117

优化学习组件 119

可用于回归分析的学习组件种类 119

更改为贝叶斯线性回归 120

使用有限的学习数据进行检验 123

使用“Cross Validate Model”组件 125

确认“Cross Validate Model”的评价结果 126

第7章 通过统计分类进行判断 129

什么是统计分类 130

本模拟所实现目标 130

本模拟所建模型 131

用统计分类创建分类机器学习模型 132

新建数据集 132

新建Experiment 134

创建数据集 134

构建学习逻辑 137

预测和评价 139

确认和反思学习结果 141

确认使用评价用数据得出的结果 141

评价统计分类的学习结果 142

使用其他统计分类学习组件 146

第8章 用聚类方法判别相似数据 151

什么是聚类 152

本模拟所实现目标 152

本模拟所建模型 154

创建可通过聚类分析分组的机器学习模型 156

新建数据集 156

新建Experiment 157

添加数据集 158

构建学习逻辑 161

确认分组结果 164

将用于评价的数据加入到已训练的学习模型中 167

第9章 活用实验结果 173

Web API化 174

数据可视化 178

第10章 让机器越来越聪明 179

进行模型的二次学习 180

用Web API更新公开的分类器（模型更新） 187

附录 使用Azure ML的方法 201

创建环境 202

创建Microsoft账户 202

激活订阅 203

登录Azure 208

云优化您的业务 208

创建工作区 210

访问Azure ML Studio 211

关于收费 213

免费使用 214