深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台 - (EPUB全文下载)

文件大小：0.82 mb。
文件格式：epub 格式。
书籍内容：

深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台
第1章 人工智能概述
1.1 全面了解人工智能
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
1.3.2 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
2.2.2 AutoML的意义和作用
2.3 现有AutoML平台产品
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
3.1.2 “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
3.3.2 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
5.3.2 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
6.2.2 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
6.3.6 基于TPE算法的序列超参优化
6.3.7 SMBO的进阶技巧
6.4 基于进化算法的自动化超参优化
6.4.2 基于粒子群算法的自动化超参优化
6.5 基于迁移学习的超参优化加速方法
6.5.1 经验迁移机制
6.5.2 经验迁移衰退机制
6.5.3 经验迁移权重机制
6.5.4 优化过程的试点机制
6.6 参考文献
第7章 深度学习基础
7.1 深度学习简介
7.1.2 人工神经网络的发展历程
7.1.3 深度学习方法
7.2 卷积神经网络简介
7.2.1 卷积层
7.2.2 池化层
7.2.3 全连接层
7.3 CNN经典模型
7.3.2 AlexNet
7.3.3 VGGNet
7.3.4 GoogLeNet
7.3.5 ResNet
7.3.6 DenseNet
7.4 循环神经网络
7.4.2 LSTM模型
7.4.3 GRU模型
7.5 参考文献
第8章 自动化深度学习概述
8.1 深度学习vs自动化深度学习
8.2 什么是NAS
8.2.1 问题定义
8.2.2 搜索策略
8.2.3 加速方案
8.3 NAS方法分类
第9章 基于强化学习的AutoDL
9.1 强化学习基础
9.1.2 基本要素及问题定义
9.1.3 发展历史
9.1.4 基本方法
9.2 两类基本模型
9.2.1 TD经典算法
9.2.2 DQN系列算法
9.2.3 策略梯度算法
9.3 强化学习之Actor-Critic系列
9.3.2 确定性策略梯度
9.3.3 深度确定性策略梯度
9.3.4 异步优势Actor-Critic算法
9.3.5 近端策略优化
9.3.6 分布式近端策略优化
9.4 基于强化学习的自动搜索
9.5 基本搜索方法
9.5.2 基于块的搜索
9.5.3 基于连接的搜索
9.6 进阶搜索方法
9.6.1 逆强化学习
9.6.2 图超网络
9.6.3 蒙特卡洛树搜索
9.6.4 知识提炼（教师网络）
9.7 参考文献
第10章 基于进化算法的AutoDL
10.1 启发式算法
10.1.1 随机搜索
10.1.2 近邻搜索
10.1.3 进化计算
10.1.4 启发式算法的局限性
10.2 初代进化算法
10.2.1 基本术语
10.2.2 基础算子
10.2.3 遗传算法
10.2.4 进化策略
10.2.5 进化规划
10.3 其他近代进化算法
10.3.2 群体算法——以PSO为例
10.3.3 文化基因算法
10.3.4 差分进化算法
10.3.5 分布估计算法
10.4 进化神经网络
10.4.1 简介
10.4.2 神经网络编码方式
10.4.3 竞争约定
10.4.4 网络结构的创新性
10.4.5 NAS之进化算法
10.5 细粒度的神经进化（NEAT算法）
10.5.1 基因编码
10.5.2 基因的可追溯性
10.5.3 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。