-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

Azure 機器學習

( 簡體 字)
作者:Jeff Barnes類別:1. -> 程式設計 -> 機器學習
譯者:
出版社:人民郵電出版社Azure 機器學習 3dWoo書號: 50035
詢問書籍請說出此書號!

缺書
NT售價: 275

出版日:11/1/2018
頁數:174
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115488695
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

本書基于Azure Machine Learning Studio探討了現代數據科學算法的背景、理論和實際應用。
全書共8章。第1章描述了在數據科學領域,Azure機器學習如何通過實現完全托管的數據科學云服務邁出預測分析解決方案的關鍵一步;第2章講解預測分析科學和方法論的基本概念;第3章探討Azure ML Studio的基本原理;第4章基于一個實用的Azure機器學習預測模型,探討可以用來調用Azure機器學習Web服務的客戶端和服務器應用程序的類型;第5章深入探討Azure ML Studio提供的一些復雜的機器學習算法;第6章探討數據分析的挖掘方案,包括自主數據分析、確定數據的相關性、推斷邏輯分組以及被廣泛研究的用“從樹木到森林”的算法處理混亂數據的方案;第7章介紹當今互聯網中最強大和被廣泛使用的預測分析的實現方法;第8章探索如何將“持續學習”納入到預測模型工作流的實現機制上。
本書適合從事云計算、機器學習和數據科學相關行業的開發人員、工程師閱讀,也適合用作大專院校相關專業和培訓機構的教學用書。
目錄:

第 1章 數據科學介紹 …………1
1.1 什么是機器學習 ………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 是什么,是怎樣,為什么 ………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 從公共資源庫下載數據集 ………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 為什么要創建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 下載汽車數據集 ………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后臺 ……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 …
序: