CONTENTS
目錄
譯者序
前言
致謝
作者簡介
第一部分機器學習基礎
第1章人類是如何學習的2
1.1邁向思考型機器2
1.1.1機器推理的曙光3
1.1.2哥德爾不完備定理3
1.1.3計算機的形式化3
1.1.4邁向人類思想的形式化4
1.1.5人工智能學科的誕生5
1.2學習機理6
1.2.1到底什麼是智能軟件6
1.2.2是如何工作的7
1.2.3胡蘿卜加大棒法
（軟硬兼施）10
1.2.4應變能力12
1.3人工智能的形式13
1.3.1原始智能13
1.3.2專家繫統13
1.3.3自治繫統15
1.3.4人工的情感形式17
1.4本章小結18
第2章智能軟件19
2.1應用人工智能19
2.1.1軟件智能的發展19
2.1.2專家繫統20
2.2通用人工智能22
2.2.1無監督學習22
2.2.2監督學習24
2.3本章小結26
第3章映射問題和算法27
3.1基本問題27
3.1.1對像分類28
3.1.2結果預測30
3.1.3對像分組31
3.2更復雜的問題33
3.2.1圖像分類33
3.2.2目標檢測34
3.2.3文本分析34
3.3自動機器學習35
3.3.1AutoML平臺的
特性35
3.3.2運行中的AutoML Model Builder37
3.4本章小結40
第4章機器學習解決方案的
一般步驟42
4.1數據收集42
4.1.1組織中的數據驅動文化43
4.1.2存儲選項44
4.2數據準備45
4.2.1提高數據質量45
4.2.2清理數據46
4.2.3特征工程47
4.2.4最終確定訓練數據集48
4.3模型選擇及訓練50
4.3.1算法備忘錄51
4.3.2神經網絡案例53
4.3.3評估模型性能54
4.4模型部署55
4.4.1選擇合適的主機平臺55
4.4.2公開API56
4.5本章小結56
第5章數據因素58
5.1數據質量58
5.1.1數據有效性58
5.1.2數據收集59
5.2數據完整性60
5.2.1完備性61
5.2.2唯一性61
5.2.3及時性61
5.2.4準確性61
5.2.5一致性62
5.3到底什麼是數據科學家62
5.3.1工作中的數據科學家62
5.3.2數據科學家工具箱63
5.3.3數據科學家和軟件
開發人員63
5.4本章小結64
第二部分.NET中的機器學習
第6章.NET方式66
6.1為什麼用或不用Python67
6.1.1為什麼在機器學習中
Python如此受歡迎67
6.1.2Python機器學習庫的
分類68
6.1.3基於Python模型的端到
端解決方案70
6.2ML.NET簡介72
6.2.1在ML.NET中創建和
使用模型72
6.2.2學習環境的要素74
6.3本章小結78
第7章實現ML.NET管道79
7.1從數據開始79
7.1.1探索數據集80
7.1.2應用公共數據轉換80
7.1.3關於數據集的注意事項81
7.2訓練步驟81
7.2.1選擇算法82
7.2.2評估算法的性能82
7.2.3計劃測試階段83
7.2.4指標預覽83
7.3從客戶端應用程序中預測價格84
7.3.1獲取模型文件84
7.3.2設置ASP.NET應用程序85
7.3.3預測出租車費85
7.3.4設計適當的用戶界面87
7.3.5質疑數據和解決問題的
方法88
7.4本章小結88
第8章ML.NET任務及算法89
8.1ML.NET的整體框架89
8.1.1涉及的類型和接口89
8.1.2數據表示90
8.1.3支持的目錄92
8.2分類任務94
8.2.1二值分類94
8.2.2多分類98
8.3聚類任務103
8.3.1準備工作數據103
8.3.2訓練模型104
8.3.3評估模型105
8.4遷移學習107
8.4.1建立圖像分類器的步驟108
8.4.2應用必要的數據轉換108
8.4.3模型的構建和訓練110
8.4.4關於遷移學習的補充
說明112
8.5本章小結112
第三部分淺層學習基礎
第9章機器學習的數學基礎114
9.1統計數據114
9.1.1統計平均值115
9.1.2統計眾數117
9.1.3統計中位數118
9.2偏差和方差119
9.2.1統計學中的方差120
9.2.2統計學中的偏差122
9.3數據表示122
9.3.1五位數總結122
9.3.2直方圖123
9.3.3散點圖124
9.3.4散點圖矩陣125
9.3.5以適當的比例繪圖125
9.4本章小結126
第10章機器學習的度量127
10.1統計學與機器學習127
10.1.1機器學習的最終目標128

Preface
前言
我們需要那些能夠夢想從未發生的事情，並追問自己為什麼不能這樣的人。
—約翰·F.肯尼迪在愛爾蘭議會的演講，1963年6月
人們對如今的人工智能持有兩種觀點，這兩種觀點都不是排他性的。一種觀點是絕大多數媒體宣揚和追求的觀點，而另一種觀點則是IT社區宣揚和追求的觀點。在這兩大陣營中，都有一些真正的專家和權威人士。
媒體宣揚的觀點關注的是，人工智能作為一個整體，無論是以已知還是未知的形式，可能對我們的未來生活產生的影響。IT社區（軟件和數據科學家所屬領域）提出的觀點認
為，機器學習是新一代軟件服務的基礎，而新一代軟件服務隻是比現有服務更智能。
在媒體觸及的大眾與小得多的IT社區之間的中間地帶是雲服務團隊。他們每天進行研究，使技術水平向前邁進，發布新的服務，為新的和現有的應用程序添加智能。
位於人工智能金字塔底部的是經理和高管。一方面，他們渴望把從科技新聞中聽到的那些令人驚嘆的服務應用到商業中，以超越競爭對手。另一方面，他們面臨著以最大的希望開始的項目的驚人賬單。
人工智能不是一根魔杖。
人工智能不是按使用次數付費的服務。不過，它既不是資本，也不是經營支出。
人工智能隻是一種軟件。
如果能從軟件開發的角度來考慮，包括設置需求，找到可靠的合作伙伴，制定預算然後開始工作，在充分考慮敏捷性的前提下重新開始等，那麼任何關於人工智能的商業決策都會更好。
就那麼簡單嗎？
雖然人工智能與軟件開發有關，但它與建立電子商務網站或訂購平臺並不完全一樣。
如果你不清楚要解決的問題、問題的背景和要表達的觀點，就不要從事人工智能項目。
不要以最有力的競爭者為唯一榜樣來開始一個雄心勃勃的冒險項目。
如果你還沒準備好損失一大筆錢，那就不要開始這樣的項目。
每次隻解決一個痛點，構建一個跨職能團隊，並提供對數據的完全訪問。
誰應該讀本書
在準備本書的過程中，我們收到了很多關於章節內容安排的反饋，也多次對此進行了詳細說明。我們至少對目錄進行了三次徹底修改。困難之處在於，我們設計本書是為了使其獨特且創新，追求的是一種與我們所看到的現實相去甚遠的機器學習和軟件開發的理念。希望我們的願景也是將來機器學習的願景！
受數據科學的限制，我們把機器學習看作交付給開發人員的組件，將其嵌入某些Web服務或桌面應用程序中。這是一個恰到好處的瀑布式結構。公司和企業經常談論的敏捷在哪裡？敏捷機器學習意味著數據科學家和開發人員是在一起工作的，業務分析師和領域專家也會加入團隊。同時為了方便數據的訪問和操作，數據利益相關者（無論是IT人員還是DevOps人員，或其他人員）也會加入團隊。這就是敏捷團隊—恰到好處。
我們看到了從數據科學到軟件開發、從軟件開發到數據科學的技術融合的（商業）需求。而這本入門書對這兩方面都有好處。在深入分析機器學習算法的機理之前，它與開發人員進行“對話”並展示ML.NET的實際運行情況（通過Python）。它還與需要了解更多軟件需求的數據科學家進行了“對話”。
如果你是一名軟件開發人員，想學習數據科學和機器學習技能，那麼本書就是你的理想選擇。如果你是一名數據科學家，想學習更多關於軟件的知識，那麼本書也是非常理想的選擇。不過，這兩類人員都需要更多地了解對方。
這是本書的理念。我們將其歸類為“介紹性的”，因為它拓展的是寬度而不是深度。它提供了.NET的例子，因為我們認為，盡管Python生態繫統非常豐富和繁榮，但是沒有理由不去尋找允許你在更接近軟件應用程序、軟件服務和微服務的基本硬件的情況下進行機器學習的平臺，以便最終可以使用任意的學習管道（包括TensorFlow、PyTorch及Python代碼）。
誰不應該讀本書
這是一本入門級的書，清晰、準確地概述了使用ML.NET平臺進行實驗的機器學習技術。如果你正在尋找大量的Python示例，那麼本書並不是理想選擇。如果你正在尋找如何在解決方案（無論是Python還是ML.NET）中復制和粘貼的示例，我們不確定本書是否理想選擇。如果你正在尋找算法背後的數學細節，或者一些算法實現的注釋，同樣，本書也不是理想選擇（我們確實包括了一些數學知識，但隻是皮毛）。
本書的章節安排
本書分為五個部分。第一部分簡要介紹人工智能、智能軟件的基礎，以及任意機器學習項目在端到端解決方案中的基本步驟。第二部分重點介紹ML.NET庫，並概述其核心部分，比如回歸和分類等常見問題中的數據處理、訓練及評估等任務。第三部分涉及一繫列算法的數學細節，這些算法包括線性回歸、決策樹、集成方法、貝葉斯分類器、支持向量機、K-Means、在線梯度，它們通常被訓練用來解決現實生活中的問題。第四部分致力於研究神經網絡，當淺層算法都不適用時，神經網絡可能會發揮作用。第五部分是關於人工智能（特別是機器學習）的商業願景，簡單回顧了雲平臺（特別是Azure平臺）提供的數據處理和計算的運行時服務。
代碼示例
本書中演示的所有代碼，包括可能的勘誤表和擴展，都可以在MicrosoftPressStore.com/IntroMachineLearning/downloads中找到。
勘誤表和圖書支持
我們已盡力確保本書及其配套內容的準確性。你可以在MicrosoftPressStore.com/IntroMachineLearning/errata上提交勘誤表及其相關更正。如果你發現一個尚未列出的錯誤，請在同一頁面提交給我們。如需更多圖書支持，請訪問http://www.MicrosoftPressStore.com/Support。
請注意，對微軟軟件和硬件產品的支持不是通過前面的網址提供的。有關微軟軟件或硬件的幫助，請訪問http://support.microsoft.com。