（1）作者是的AI專家，在機器學習、AutoML、聯邦學習、大數據、雲計算等領域發表國際論文30餘篇，發明專利200餘項。（2）作者是平安科技副總工程師，深度學習平臺和AutoML平臺負責人，美國佛羅裡達大學人工智能博士後，中國人工智能開源軟件發展聯盟副理事長。（4）本書得到了騰訊、阿裡、字節跳動、微眾銀行、浙江大學等企業界、學術界、媒體界的8位專家聯袂推薦。（5）從基礎理論、核心原理、前沿算法等多個維度全面解讀AutoML、Auto學習。

●贊譽前言第1章  人工智能概述11.1  全面了解人工智能11.1.1  人工智能定義11.1.2  弱人工智能、強人工智能與超人工智能21.1.3  人工智能三大主義31.1.4  機器學習與深度學習41.2  人工智能發展歷程51.3  深度學習的崛起之路71.3.1  人臉識別的起源71.3.2  自動駕駛的福音71.3.3  超越人類的AI智能體81.3.4  懂你的AI81.3.5  奔跑、飛行以及玩遊戲的AI81.3.6  人人都可以創造屬於自己的AI81.4  深度學習的發展91.4.1  計算機視覺91.4.2  自然語言處理101.4.3  語音識別111.5  下一代人工智能111.6  參考文獻13第2章  自動化人工智能142.1  AutoML概述142.1.1  什麼是自動化142.1.2  AutoML的起源與發展152.2  AutoML的研究意義172.2.1  AutoML的研究動機172.2.2  AutoML的意義和作用182.3  現有AutoML平臺產品212.3.1  谷歌Cloud AutoML212.3.2  百度EasyDL232.3.3  阿裡雲PAI242.3.4  探智立方DarwinML282.3.5  第四範式AI ProphetAutoML292.3.6  智易科技302.4  參考文獻31第3章  機器學習概述323.1  機器學習的發展323.1.1  “機器學習”名字的由來323.1.2  “機器學習”的前世今生333.1.3  “機器學習”的理論基礎343.2  機器學習的實現方法363.2.1  分類問題363.2.2  回歸問題383.2.3  聚類問題393.3  自動化機器學習403.3.1  機器學習面臨的問題403.3.2  為什麼會產生AutoML413.4  參考文獻41第4章  自動化特征工程434.1  特征工程434.1.1  什麼是特征434.1.2  什麼是特征工程444.2  特征工程處理方法454.2.1  特征選擇454.2.2  數據預處理474.2.3  特征壓縮484.3  手工特征工程存在的問題494.4  自動化特征工程504.4.1  什麼是自動化特征工程504.4.2  機器學習和深度學習的特征工程514.5  自動化特征工程生成方法524.5.1  深度特征合成算法524.5.2  Featuretools自動特征提取524.5.3  基於時序數據的自動化特征工程564.6  自動化特征工程工具674.6.1  自動化特征工程繫統674.6.2  自動化特征工程平臺714.7  參考文獻75第5章  自動化模型選擇765.1  模型選擇765.2  自動化模型選擇775.2.1  基於貝葉斯優化的自動化模型選擇785.2.2  基於進化算法的自動化模型選擇845.2.3  分布式自動化模型選擇865.2.4  自動化模型選擇的相關平臺925.3  自動集成學習945.3.1  集成學習基礎945.3.2  集成學習之結合策略975.3.3  自動化模型集成985.4  參考文獻99第6章  自動化超參優化1016.1  概述1016.1.1  問題定義1036.1.2  搜索空間1036.1.3  搜索策略1036.1.4  評價預估1046.1.5  經驗遷移加速1056.2  基本方法1056.2.1  網格搜索1056.2.2  隨機搜索1056.3  基於模型的序列超參優化1066.3.1  代理模型的選擇1086.3.2  代理模型的更新1086.3.3  新超參組的選擇1096.3.4  基於高斯過程回歸的序列超參優化1116.3.5  基於隨機森林算法代理的序列超參優化1126.3.6  基於TPE算法的序列超參優化1146.3.7  SMBO的進階技巧1146.4  基於進化算法的自動化超參優化1156.4.1  基於進化策略的自動化超參優化1156.4.2  基於粒子群算法的自動化超參優化1166.5  基於遷移學習的超參優化加速方法1176.5.1  經驗遷移機制1176.5.2  經驗遷移衰退機制1176.5.3  經驗遷移權重機制1176.5.4  優化過程的試點機制1186.6  參考文獻118第7章  深度學習基礎1207.1  深度學習簡介1207.1.1  什麼1207.1.2  人工神經網絡的發展歷程1217.1.3  深度學習方法1237.2  卷積神經網絡簡介1237.2.1  卷積層1237.2.2  池化層1257.2.3  全連接層1267.3  CNN經典模型1267.3.1  LeNet1267.3.2  AlexNet1277.3.3  VGGNet1287.3.4  GoogLeNet1297.3.5  ResNet1307.3.6  DenseNet1317.4  循環神經網絡1327.4.1  基本循環神經模型1327.4.2  LSTM模型1337.4.3  GRU模型1347.5  參考文獻134第8章  自動化深度學習概述1368.1  深度學習vs自動化深度學習1368.2  什麼是NAS1368.2.1  問題定義1378.2.2  搜索策略1398.2.3  加速方案1408.3  NAS方法分類140第9章  基於強化學習的AutoDL1429.1  強化學習基礎1429.1.1  強化學習簡介1429.1.2  基本要素及問題定義1449.1.3  發展歷史1449.1.4  基本方法1469.2  兩類基本模型1479.2.1  TD經典算法1489.2.2  DQN繫列算法1499.2.3  策略梯度算法1529.3  強化學習之Actor-Critic繫列1549.3.1  Actor-Critic算法1549.3.2  確定性策略梯度1559.3.3  深度確定性策略梯度1579.3.4  異步優勢Actor-Critic算法1589.3.5  近端策略優化1609.3.6  分布式近端策略優化1649.4  基於強化學習的自動搜索1669.5  基本搜索方法1669.5.1  基於層的搜索1669.5.2  基於塊的搜索1699.5.3  基於連接的搜索1719.6  進階搜索方法1739.6.1  逆強化學習1739.6.2  圖超網絡1749.6.3  蒙特卡洛樹搜

內容介紹這是一部從基礎理論、核心原理、前沿算法等多個維度繫統、全面講解AutoML、AutoDL、AutoN學習的著作。作者是的人工智能專家，平安科技深度學習平臺和AutoML平臺負責人。本書得到了IEEE Fellow/ACM傑出科學家/香港科技大學教授楊強教授、騰訊AI Lab副主任俞棟、美國佛羅裡達大學教授李曉林等8位來自企業界、學術界和媒體界的專家的一致好評。它既能讓新人理清AutoML的脈絡，快速上手機器學習，又能讓有經驗的讀者全面掌握AutoML的知識體繫，工作變得更高效。全書共14章，邏輯上分為四部分：第壹部分（第1~2章） 人工智能基礎對人工智能、自動化人工智能的重要概念、發展歷程及現狀、適用場景、主要的工具和技術等做了全面的介紹，並引出了人工智能技術未來的發展方向——AutoML，這部分是閱讀本書的基礎。第二部分（第3~6章） AutoML主要講解機器學習和自動化等

王健宗 瞿曉陽 著

為什麼要寫這本書“人工智能”“機器學習”“深度學習”“聯邦學習”“自動化”等已經成為互聯網行業使用最頻繁的詞彙，在人工智能發展日益成熟的今天，越來越多的研究者將目標聚焦於“自動化”。出於對AutoML技術出現的振奮和對人工智能的熱情與投入，我們逐漸萌生了撰寫這本書的想法，我們想讓更多的人了解AutoML，了解我們身邊最前沿的技術和知識，最終能夠讓天下沒有難的AI，實現普惠AI。如果一定要問我們寫這本書的原因，我覺得可以歸結為如下三點：首先，已經有多家互聯網公司發布了AutoML平臺，毫無疑問AutoML已經成為目前各大公司的“護城河”，我們希望通過本書來揭開AutoML平臺的神秘面紗。基於AutoML平臺，專業編程人員和非專業人員均可快速創建項目並訓練模型，但是，由於國內至今還沒有一本關於AutoML算法介紹的書籍，平臺用戶隻知其然卻不知其所以然。其次，我們想要通過本書建立一套完整的Aut等