本书尤其适合机器学习初学者(包括新晋数据科学家、数据分析师、机器学习爱好者)学习,同时也适合对搭建高速机器学习流水线感兴趣的机器学习工程师和数据专业人员阅读。
第1章 AutoML简介。为理解AutoML打基础,介绍各种自动化学习库。
第2章 Python机器学习简介。介绍机器学习概念,便于理解AutoML方法。
第3章 数据预处理。深入诠释各种数据预处理方法、自动化对象、如何自动化,也会介绍特征工具和sklearn预处理方法。
第4章 自动化算法选择。指出哪些算法适用于哪类数据集。介绍不同算法的计算难度和可扩展性,也会接触到一些依据训练和推理时间来确定使用哪种算法的方法。本章会演示auto-sklearn,以及如何扩展引入新算法。
第5章 超参数优化。讲解自动化超参数优化的基础知识。
第6章 创建AutoML流水线。阐述如何将不同组件组合起来构建一个端到端的AutoML流水线。
第7章 深度学习探究。介绍诸多深度学习概念及其对AutoML的贡献。
第8章 机器学习和数据科学项目的重点。总结全文,并分享一些从多方面权衡AutoML复杂性和成本的信息。
阅读本书唯*需要准备的是对机器学习的求知欲。除此之外,如果你以前接触过Python编程和机器学习基础知识,则能更好地利用本书,但这并非必备前提。
学习本书,请提前安装Python 3.5和Jupyter Notebook。 若具体章节中有特别要求,则会在该章第一节中提出。