●第 1章 數據科學介紹 ……………………………………………………………………1 1.1  什麼是機器學習 …………………………………………………………………1 1.2  當下的機器學習風暴 ……………………………………………………………3 1.3  預測分析 …………………………………………………………………………4 1.4  無限的機器學習燃料 ……………………………………………………………4 1.5  日常生活中預測分析的例子 ……………………………………………………6 1.6  機器學習的早期歷史 ……………………………………………………………7 1.7  科幻小說變為現實 ………………………………………………………………9 1.8  總結 ………………………………………………………………………………10 第  2章 Azure機器學習入門 …………………………………………………………11 2.1  Azure機器學習核心概念 …………………………………………………………11 2.2  先進的Azure機器學習工作流 ……………………………………………………12 2.3  機器學習算法 ……………………………………………………………………13 2.3.1  有監督學習 ………………………………………………………………14 2.3.2  無監督學習 ………………………………………………………………18 2.4  部署預測模型 ……………………………………………………………………19 2.5  Azure機器學習帶來的收益 ………………………………………………………19 2.6  是什麼，是怎樣，為什麼 ………………………………………………………20 2.7  總結 ………………………………………………………………………………21 第3章  Azure ML Studio的使用 ……………………………………………………22 3.1  Azure機器學習術語 ………………………………………………………………22 3.2  Azure機器學習入門 ………………………………………………………………24 3.3  Azure機器學習定價和可用性 ……………………………………………………26 3.4  創建第 一個Azure機器學習工作區 ………………………………………………27 2  目錄 3.5  創建第 一個Azure機器學習實驗 ………………………………………………31 3.6  從公共資源庫數據集 ………………………………………………………31 3.7  數據上傳至Azure機器學習實驗 …………………………………………………33 3.8  創建新的Azure機器學習實驗 ……………………………………………………34 3.9  可視化數據集 ……………………………………………………………………36 3.10  分割數據集 ……………………………………………………………………40 3.11  模型訓練 …………………………………………………………………………41 3.12  選擇預測列 ………………………………………………………………………42 3.13  模型評分 …………………………………………………………………………44 3.14  模型計算結果的可視化 …………………………………………………………45 3.15  模型評估 …………………………………………………………………………46 3.16  保存實驗 …………………………………………………………………………48 3.17  將訓練的模型發布為Web服務準備工作 ………………………………………49 3.18  創建評分實驗 ……………………………………………………………………52 3.19  將模型發布為Web服務 …………………………………………………………54 3.20  Azure機器學習Web服務的批處理 ……………………………………………61 3.21  測試Azure機器學習Web服務 …………………………………………………62 3.22  發布至Azure數據市場 …………………………………………………………64 3.23  總結 ………………………………………………………………………………65 第4章  創建Azure機器學習客戶端應用程序和服務器應用程序 …………………66 4.1  為什麼要創建Azure機器學習客戶端應用程序 …………………………………66 4.2  Azure機器學習 Web 服務的示例代碼 …………………………………………68 4.3  C# 控制臺應用程序示例代碼 ……………………………………………………70 4.4  R的示例代碼 ……………………………………………………………………75 4.5  不僅僅是簡單的客戶端 …………………………………………………………79 4.6  跨域資源共享和Azure機器學習Web服務 ………………………………………80 4.7  創建一個ASP.NET Azure機器學習Web客戶端 …………………………………80 4.8  讓Azure機器學習Web服務的測試變得更簡單 …………………………………83 4.8.1  用戶輸入驗證 ……………………………………………………………84 4.8.2  用ASP.NET Web API創建一個Web服務 …………………………………87 4.9  啟用的CORS 支持 ………………………………………………………………93 4.10  Web API Web 服務的處理邏輯 …………………………………………………96 4.11  總結 ……………………………………………………………………………105 目錄  3 第5章  回歸分析 ……………………………………………………………………106 5.1  線性回歸 ………………………………………………………………………106 5.2  Azure機器學習線性回歸案例 …………………………………………………107 5.2.1  汽車數據集 ………………………………………………………109 5.2.2  上傳汽車數據集 ………………………………………………………110 5.2.3  創建汽車價格的實驗 ……………………………………………………111 5.3  總結 ……………………………………………………………………………124 第6章  聚類分析 ……………………………………………………………………125 6.1  非監督機器學習 ………………………………………………………………125 6.1.1  聚類分析 ………………………………………………………………126 6.1.2  KNN：K最近鄰算法 ……………………………………………………127 6.2  Azure ML Studio聚類模塊 ……………………………………………………127 6.2.1  聚類示例：批發客戶分組 ………………………………………………128 6.2.2  發布K-Means聚類實驗 …………………………………………………135 6.3  總結 ……………………………………………………………………………142 第7章  Azure 機器學習火柴盒推薦引擎 …………………………………………144 7.1  當今推薦引擎的應用 …………………………………………………………144 7.2  推薦引擎機制 …………………………………………………………………146 7.3  Azure機器學習火柴盒推薦引擎後臺 …………………………………………146 7.4  Azure機器學習火柴盒推薦引擎：餐館評分 …………………………………148 7.5  創建餐館評分的推薦引擎 ……………………………………………………149 7.6  創建火柴盒推薦引擎Web服務 ………………………………………………156 7.7  總結 ……………………………………………………………………………159 第8章  Azure機器學習模型重訓練 ………………………………………………160 8.1  重訓練Azure機器學習模型的工作流程 ………………………………………161 8.2  Azure Maching Learning Studio中的重訓練模型 ……………………………162 8.3  修改初始的訓練實驗 …………………………………………………………165 8.4  添加額外的網絡節點 …………………………………………………………168 8.5  批處理服務重新訓練模型 ……………………………………………………172 8.6  總結  …