更新时间：2019-09-18 15:42:41
封面
版权信息
赞誉
前言
第1章 人工智能概述
1.1 全面了解人工智能
1.1.1 人工智能定义
1.1.2 弱人工智能、强人工智能与超人工智能
1.1.3 人工智能三大主义
1.1.4 机器学习与深度学习
1.2 人工智能发展历程
1.3 深度学习的崛起之路
1.3.1 人脸识别的起源
1.3.2 自动驾驶的福音
1.3.3 超越人类的AI智能体
1.3.4 懂你的AI
1.3.5 奔跑、飞行以及玩游戏的AI
1.3.6 人人都可以创造属于自己的AI
1.4 深度学习的发展
1.4.1 计算机视觉
1.4.2 自然语言处理
1.4.3 语音识别
1.5 下一代人工智能
1.6 参考文献
第2章 自动化人工智能
2.1 AutoML概述
2.1.1 什么是自动化
2.1.2 AutoML的起源与发展
2.2 AutoML的研究意义
2.2.1 AutoML的研究动机
2.2.2 AutoML的意义和作用
2.3 现有AutoML平台产品
2.3.1 谷歌Cloud AutoML
2.3.2 百度EasyDL
2.3.3 阿里云PAI
2.3.4 探智立方DarwinML
2.3.5 第四范式AI Prophet AutoML
2.3.6 智易科技
2.4 参考文献
第3章 机器学习概述
3.1 机器学习的发展
3.1.1 “机器学习”名字的由来
3.1.2 “机器学习”的前世今生
3.1.3 “机器学习”的理论基础
3.2 机器学习的实现方法
3.2.1 分类问题
3.2.2 回归问题
3.2.3 聚类问题
3.3 自动化机器学习
3.3.1 机器学习面临的问题
3.3.2 为什么会产生AutoML
3.4 参考文献
第4章 自动化特征工程
4.1 特征工程
4.1.1 什么是特征
4.1.2 什么是特征工程
4.2 特征工程处理方法
4.2.1 特征选择
4.2.2 数据预处理
4.2.3 特征压缩
4.3 手工特征工程存在的问题
4.4 自动化特征工程
4.4.1 什么是自动化特征工程
4.4.2 机器学习和深度学习的特征工程
4.5 自动化特征工程生成方法
4.5.1 深度特征合成算法
4.5.2 Featuretools自动特征提取
4.5.3 基于时序数据的自动化特征工程
4.6 自动化特征工程工具
4.6.1 自动化特征工程系统
4.6.2 自动化特征工程平台
4.7 参考文献
第5章 自动化模型选择
5.1 模型选择
5.2 自动化模型选择
5.2.1 基于贝叶斯优化的自动化模型选择
5.2.2 基于进化算法的自动化模型选择
5.2.3 分布式自动化模型选择
5.2.4 自动化模型选择的相关平台
5.3 自动集成学习
5.3.1 集成学习基础
5.3.2 集成学习之结合策略
5.3.3 自动化模型集成
5.4 参考文献
第6章 自动化超参优化
6.1 概述
6.1.1 问题定义
6.1.2 搜索空间
6.1.3 搜索策略
6.1.4 评价预估
6.1.5 经验迁移加速
6.2 基本方法
6.2.1 网格搜索
6.2.2 随机搜索
6.3 基于模型的序列超参优化
6.3.1 代理模型的选择
6.3.2 代理模型的更新
6.3.3 新超参组的选择
6.3.4 基于高斯过程回归的序列超参优化
6.3.5 基于随机森林算法代理的序列超参优化
