本書是2017年中國人民大學出版社出版的圖書，由千賀大司、山本和貴、大澤文孝編著。
基本介紹
- 書名：微軟Azure機器學習實戰手冊
- 作者：【美】千賀大司 山本和貴 大澤文孝
- ISBN：978-7-300-25095-3
- 定價：￥65.00
- 出版社：中國人民大學出版社
- 出版時間：2017-11-01
- 裝幀：平
- 開本：異16
主要內容,章節目錄,
主要內容
機器學習藉助算法讓計算機對大量流動數據集進行識別，這種方式能夠通過歷史數據來預測未來事件和行為。微軟公司在其公有雲Azure上推出了基於Web使用的機器學習套用工具“Azure Machine Learning”，通過圖表化來把握“現 在的進度和結果”，並配備了各種統計處理和多樣化的機器學習處理方式，便於開發人員、業務分析師和數據科學家進行廣泛、便捷地套用。
書中通過大量的微軟機器學習截圖，有步驟地講解了微軟機器學習模板構建的方法，是一本實戰版機器學習入門手冊。
在以前，僅是運作並學習的門檻就已很高，更不用說對機器學習的實際運用。而現 在，使用Azure Machine Learning就可以馬上進入機器學習的世界。
我們的目標是讓技術及商務人士可以通過機器學習，來創造新的服務，並通過數據獲得前所未有的視點。
書中通過大量的微軟機器學習截圖，有步驟地講解了微軟機器學習模板構建的方法，是一本實戰版機器學習入門手冊。
在以前，僅是運作並學習的門檻就已很高，更不用說對機器學習的實際運用。而現 在，使用Azure Machine Learning就可以馬上進入機器學習的世界。
我們的目標是讓技術及商務人士可以通過機器學習，來創造新的服務，並通過數據獲得前所未有的視點。
章節目錄
目錄
第1章 什麼是機器學習/1
明晰機器學習/2
機器學習概述/2
機器學習流行的“原因”/4
將機器學習用於商業的方法/5
消除對機器學習的誤解/9
機器學習通過數據進行判斷/9
機器學習是“系統”/11
機器自己會變聰明嗎/12
必須決定“特徵向量”/12
開啟機器學習之旅/14
機器學習專用工具/14
無須編程就可以使用的Azure ML/15
即使如此，依然想編程/17
通過判斷目標來選擇分類器/17
第2章 收集數據/19
使用公司內部數據/20
日誌檔案等歷史數據/20
非時間類型數據/22
使用公開數據/22
DATA.GO.JP/22
DATA.GOV/23
Twitter/23
GitHub/35
第3章 通過Azure ML創建機器學習模型/39
Azure ML的基本操作/40
註冊Azure ML Studio/40
在工作區進行操作/41
機器學習的方法/43
在Azure ML中進行機器學習的流程/43
創建機器學習模型時Experiment的編輯界面/45
機器學習模型的構成和種類/47
學習邏輯/47
計算邏輯/48
學習組件的種類/48
第4章 使用回歸分析預測數據/53
什麼是回歸分析/54
本模擬所實現目標/54
本模擬所建模型/55
上傳用於分析的數據集/57
下載CSV檔案樣本/57
將CSV檔案作為數據集進行上傳保存/59
新建Experiment/62
添加和調整所要分析的數據集對象/64
添加數據集/65
將範圍縮小至使用列/70
修復受損數據/75
分離學習用數據和評價用數據/80
構建學習邏輯/83
構成回歸分析的組件/83
使用已訓練模型預測評價用數據/87
使用評分模型進行數據預測/88
確認預測值/91
第5章 嘗試使用已建回歸分析模型/95
使用已訓練模型進行計算/96
上傳用於計算的數據集對象/96
在評分模型右上方輸入數據即可得出結果/97
保存已訓練模型，使其在其他Experiment中也可以使用/99
保存已訓練模型/100
使用已訓練模型進行預測/102
新建用於預測的Experiment /102
創建可進行數據預測的機器學習模型/103
觀察運行結果/105
以CSV形式輸出/106
數據轉換組件/107
第6章 提高預測精度/111
提高預測精度的方法/112
確認目 前的預測精度/113
使用評估模型對分析結果進行評價/113
確認評價結果/115
更改參數提高精確度/117
更改Linear Regression的參數/117
最佳化學習組件/119
可用於回歸分析的學習組件種類/119
更改為貝葉斯線性回歸/120
使用有限的學習數據進行檢驗/123
使用“Cross Validate Model”組件/125
確認“Cross Validate Model”的評價結果/126
第7章 通過統計分類進行判斷/129
什麼是統計分類/130
本模擬所實現目標/130
本模擬所建模型/131
用統計分類創建分類機器學習模型/132
新建數據集/132
新建Experiment/134
創建數據集/134
構建學習邏輯/137
預測和評價/139
確認和反思學習結果/141
確認使用評價用數據得出的結果/141
評價統計分類的學習結果/142
使用其他統計分類學習組件/146
第8章 用聚類方法判別相似數據/151
什麼是聚類/152
本模擬所實現目標/152
本模擬所建模型/154
創建可通過聚類分析分組的機器學習模型/156
新建數據集/156
新建 Experiment/157
添加數據集/158
構建學習邏輯/161
確認分組結果/164
將用於評價的數據加入到已訓練的學習模型中/167
第9章 活用實驗結果/173
Web API化/174
數據可視化/178
第10章 讓機器越來越聰明/179
進行模型的二次學習/180
用Web API更新公開的分類器（模型更新）/187
附錄 使用Azure ML的方法/201
創建環境/202
創建Microsoft賬戶/202
激活訂閱/203
登錄Azure/208
雲最佳化您的業務/208
創建工作區/210
訪問Azure ML Studio/211
關於收費/213
免費使用/214
第1章 什麼是機器學習/1
明晰機器學習/2
機器學習概述/2
機器學習流行的“原因”/4
將機器學習用於商業的方法/5
消除對機器學習的誤解/9
機器學習通過數據進行判斷/9
機器學習是“系統”/11
機器自己會變聰明嗎/12
必須決定“特徵向量”/12
開啟機器學習之旅/14
機器學習專用工具/14
無須編程就可以使用的Azure ML/15
即使如此，依然想編程/17
通過判斷目標來選擇分類器/17
第2章 收集數據/19
使用公司內部數據/20
日誌檔案等歷史數據/20
非時間類型數據/22
使用公開數據/22
DATA.GO.JP/22
DATA.GOV/23
Twitter/23
GitHub/35
第3章 通過Azure ML創建機器學習模型/39
Azure ML的基本操作/40
註冊Azure ML Studio/40
在工作區進行操作/41
機器學習的方法/43
在Azure ML中進行機器學習的流程/43
創建機器學習模型時Experiment的編輯界面/45
機器學習模型的構成和種類/47
學習邏輯/47
計算邏輯/48
學習組件的種類/48
第4章 使用回歸分析預測數據/53
什麼是回歸分析/54
本模擬所實現目標/54
本模擬所建模型/55
上傳用於分析的數據集/57
下載CSV檔案樣本/57
將CSV檔案作為數據集進行上傳保存/59
新建Experiment/62
添加和調整所要分析的數據集對象/64
添加數據集/65
將範圍縮小至使用列/70
修復受損數據/75
分離學習用數據和評價用數據/80
構建學習邏輯/83
構成回歸分析的組件/83
使用已訓練模型預測評價用數據/87
使用評分模型進行數據預測/88
確認預測值/91
第5章 嘗試使用已建回歸分析模型/95
使用已訓練模型進行計算/96
上傳用於計算的數據集對象/96
在評分模型右上方輸入數據即可得出結果/97
保存已訓練模型，使其在其他Experiment中也可以使用/99
保存已訓練模型/100
使用已訓練模型進行預測/102
新建用於預測的Experiment /102
創建可進行數據預測的機器學習模型/103
觀察運行結果/105
以CSV形式輸出/106
數據轉換組件/107
第6章 提高預測精度/111
提高預測精度的方法/112
確認目 前的預測精度/113
使用評估模型對分析結果進行評價/113
確認評價結果/115
更改參數提高精確度/117
更改Linear Regression的參數/117
最佳化學習組件/119
可用於回歸分析的學習組件種類/119
更改為貝葉斯線性回歸/120
使用有限的學習數據進行檢驗/123
使用“Cross Validate Model”組件/125
確認“Cross Validate Model”的評價結果/126
第7章 通過統計分類進行判斷/129
什麼是統計分類/130
本模擬所實現目標/130
本模擬所建模型/131
用統計分類創建分類機器學習模型/132
新建數據集/132
新建Experiment/134
創建數據集/134
構建學習邏輯/137
預測和評價/139
確認和反思學習結果/141
確認使用評價用數據得出的結果/141
評價統計分類的學習結果/142
使用其他統計分類學習組件/146
第8章 用聚類方法判別相似數據/151
什麼是聚類/152
本模擬所實現目標/152
本模擬所建模型/154
創建可通過聚類分析分組的機器學習模型/156
新建數據集/156
新建 Experiment/157
添加數據集/158
構建學習邏輯/161
確認分組結果/164
將用於評價的數據加入到已訓練的學習模型中/167
第9章 活用實驗結果/173
Web API化/174
數據可視化/178
第10章 讓機器越來越聰明/179
進行模型的二次學習/180
用Web API更新公開的分類器（模型更新）/187
附錄 使用Azure ML的方法/201
創建環境/202
創建Microsoft賬戶/202
激活訂閱/203
登錄Azure/208
雲最佳化您的業務/208
創建工作區/210
訪問Azure ML Studio/211
關於收費/213
免費使用/214
