描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787115488695
微软老兵eff Barnes（微软合作伙伴企业架构团队的CSA）倾情奉献
本书介绍如何通过实现完全托管的数据科学云服务走出预测分析解决方案的关键一步
全书共8章。第1章描述了在数据科学领域，Azure机器学习如何通过实现完全托管的数据科学云服务迈出预测分析解决方案的关键一步；第2章讲解预测分析科学和方法论的基本概念；第3章探讨Azure ML Studio的基本原理；第4章基于一个实用的Azure机器学习预测模型，探讨可以用来调用Azure机器学习Web服务的客户端和服务器应用程序的类型；第5章深入探讨Azure ML Studio提供的一些复杂的机器学习算法；第6章探讨数据分析的挖掘方案，包括自主数据分析、确定数据的相关性、推断逻辑分组以及被广泛研究的用“从树木到森林”的算法处理混乱数据的方案；第7章介绍当今互联网中*强大和被广泛使用的预测分析的实现方法；第8章探索如何将“持续学习”纳入到预测模型工作流的实现机制上。
本书适合从事云计算、机器学习和数据科学相关行业的开发人员、工程师阅读，也适合用作大专院校相关专业和培训机构的教学用书。
1.1 什么是机器学习 …………………………………………………………………1
1.2 当下的机器学习风暴 ……………………………………………………………3
1.3 预测分析 …………………………………………………………………………4
1.4 无限的机器学习燃料 ……………………………………………………………4
1.5 日常生活中预测分析的例子 ……………………………………………………6
1.6 机器学习的早期历史 ……………………………………………………………7
1.7 科幻小说变为现实 ………………………………………………………………9
1.8 总结 ………………………………………………………………………………10
第 2章 Azure机器学习入门 …………………………………………………………11
2.1 Azure机器学习核心概念 …………………………………………………………11
2.2 先进的Azure机器学习工作流 ……………………………………………………12
2.3 机器学习算法 ……………………………………………………………………13
2.3.1 有监督学习 ………………………………………………………………14
2.3.2 无监督学习 ………………………………………………………………18
2.4 部署预测模型 ……………………………………………………………………19
2.5 Azure机器学习带来的收益 ………………………………………………………19
2.6 是什么，是怎样，为什么 ………………………………………………………20
2.7 总结 ………………………………………………………………………………21
第3章 Azure ML Studio的使用 ……………………………………………………22
3.1 Azure机器学习术语 ………………………………………………………………22
3.2 Azure机器学习入门 ………………………………………………………………24
3.3 Azure机器学习定价和可用性 ……………………………………………………26
3.4 创建第 一个Azure机器学习工作区 ………………………………………………27
2 目录
3.5 创建第 一个Azure机器学习实验 ………………………………………………31
3.6 从公共资源库下载数据集 ………………………………………………………31
3.7 数据上传至Azure机器学习实验 …………………………………………………33
3.8 创建新的Azure机器学习实验 ……………………………………………………34
3.9 可视化数据集 ……………………………………………………………………36
3.10 分割数据集 ……………………………………………………………………40
3.11 模型训练 …………………………………………………………………………41
3.12 选择预测列 ………………………………………………………………………42
3.13 模型评分 …………………………………………………………………………44
3.14 模型计算结果的可视化 …………………………………………………………45
3.15 模型评估 …………………………………………………………………………46
3.16 保存实验 …………………………………………………………………………48
3.17 将训练的模型发布为Web服务准备工作 ………………………………………49
3.18 创建评分实验 ……………………………………………………………………52
3.19 将模型发布为Web服务 …………………………………………………………54
3.20 Azure机器学习Web服务的批处理 ……………………………………………61
3.21 测试Azure机器学习Web服务 …………………………………………………62
3.22 发布至Azure数据市场 …………………………………………………………64
3.23 总结 ………………………………………………………………………………65
第4章 创建Azure机器学习客户端应用程序和服务器应用程序 …………………66
4.1 为什么要创建Azure机器学习客户端应用程序 …………………………………66
4.2 Azure机器学习 Web 服务的示例代码 …………………………………………68
4.3 C# 控制台应用程序示例代码 ……………………………………………………70
4.4 R的示例代码 ……………………………………………………………………75
4.5 不仅仅是简单的客户端 …………………………………………………………79
4.6 跨域资源共享和Azure机器学习Web服务 ………………………………………80
4.7 创建一个ASP.NET Azure机器学习Web客户端 …………………………………80
4.8 让Azure机器学习Web服务的测试变得更简单 …………………………………83
4.8.1 用户输入验证 ……………………………………………………………84
4.8.2 用ASP.NET Web API创建一个Web服务 …………………………………87
4.9 启用的CORS 支持 ………………………………………………………………93
4.10 Web API Web 服务的处理逻辑 …………………………………………………96
4.11 总结 ……………………………………………………………………………105
目录 3
第5章 回归分析 ……………………………………………………………………106
5.1 线性回归 ………………………………………………………………………106
5.2 Azure机器学习线性回归案例 …………………………………………………107
5.2.1 下载汽车数据集 ………………………………………………………109
5.2.2 上传汽车数据集 ………………………………………………………110
5.2.3 创建汽车价格的实验 ……………………………………………………111
5.3 总结 ……………………………………………………………………………124
第6章 聚类分析 ……………………………………………………………………125
6.1 非监督机器学习 ………………………………………………………………125
6.1.1 聚类分析 ………………………………………………………………126
6.1.2 KNN：K近邻算法 ……………………………………………………127
6.2 Azure ML Studio聚类模块 ……………………………………………………127
6.2.1 聚类示例：批发客户分组 ………………………………………………128
6.2.2 发布K-Means聚类实验 …………………………………………………135
6.3 总结 ……………………………………………………………………………142
第7章 Azure 机器学习火柴盒推荐引擎 …………………………………………144
7.1 当今推荐引擎的应用 …………………………………………………………144
7.2 推荐引擎机制 …………………………………………………………………146
7.3 Azure机器学习火柴盒推荐引擎后台 …………………………………………146
7.4 Azure机器学习火柴盒推荐引擎：餐馆评分 …………………………………148
7.5 创建餐馆评分的推荐引擎 ……………………………………………………149
7.6 创建火柴盒推荐引擎Web服务 ………………………………………………156
7.7 总结 ……………………………………………………………………………159
第8章 Azure机器学习模型重训练 ………………………………………………160
8.1 重训练Azure机器学习模型的工作流程 ………………………………………161
8.2 Azure Maching Learning Studio中的重训练模型 ……………………………162
8.3 修改初始的训练实验 …………………………………………………………165
8.4 添加额外的网络节点 …………………………………………………………168
8.5 批处理服务重新训练模型 ……………………………………………………172
8.6 总结 …
评论
还没有评论。