書名：AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型
原文書名：Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding
產品代碼：
9789863126973系列編號：
F1385定價：
690元作者：
Luis Sobrecueva譯者：
許珮瑩相關作者：
施威銘研究室 監修頁數：
400頁開數：
17x23x2.4裝訂：
平裝上市日：
20211229出版日：
20211229出版社：
旗標科技股份有限公司CIP：
312市場分類：
電腦資訊產品分類：
書籍免稅聯合分類：
電腦資訊類- ※缺書中
商品簡介
內容介紹:
有了三個臭皮匠，何必每次堅持找個諸葛亮？
任何人都能運用深度學習（DL）嗎？AutoML（自動化機器學習）已經遍地開花，各大企業諸如 Google、Microsoft、Amazon、IBM、SAS 等都推出了自己的 AutoML 服務，讓使用者不必具備專業領域知識，也能快速打造出自己的 AI 模型。換言之，AutoML 徹底降低了 「AI 落地」的門檻。
AutoML不能取代資料科學家，卻能大大省下你試驗機器學習模型的時間與痛苦。當你的朋友還在興致沖沖算數學時，你說不定早就端出了可投入實用的高效能模型。
而什麼是 AutoKeras？這是一套完全開源的 Python AutoML 套件，以 Tensorflow 2 為基礎、運用創新的『高效神經網路架構搜尋』（ENAS）來實現自動化建模。AutoKeras 對於影像、文字、時間序列或一般結構化資料的預測都提供了內建類別，甚至會加上資料預處理功能，使你只需用短短幾行程式碼便能打造出成效優異的 DL 模型，還不必接觸高深的數學。
就連經驗豐富的專家也能受惠：利用 AutoKeras 快速產生候選模型，好做為進一步改良的參考，並將更多寶貴的時間投注在資料清洗與特徵工程上。
從此向困難、令人困惑的建模過程說拜拜，跨入深度學習的門檻從未如此之低；有了 AutoKeras，任何人都能駕馭 AI 的威力來解決真實世界的問題。
本書特色:
★ 免懂數學免瞎忙！不必再被迫學數學，就能輕鬆將 AI 運用在真實世界
★ 什麼是神經網路和深度學習？何謂 CNN 與 RNN？用淺顯易懂的方式理解其運作原理
★ 只要寫短短幾行 Python 程式，就能打造出強效深度學習模型，省時省力又好用
★ 無須透過複雜的 Keras API 就能使用諸如 ResNet、Xception、EfficientNet、Transformer、BERT、LStM、GRU 等知名模型架構
★ 提供了使用真實資料集的豐富實作範例，從圖像、文字、時間序列到一般結構化資料的預測一應俱全
★ 運用內建的 AutoModel 類別針對多模態 (multi-model) 資料建立多任務 (multi-task) 自訂模型
★ 利用 TensorBoard 或 ClearML 將你的模型訓練過程圖形化，更容易比較訓練成效和分享
★ 附 notebook/py 範例程式、Google Colab 及本機安裝教學，包括如何安裝 CUDA GPU 支援
★ 加值贈送：運用 2021 年新推出的輕量級 AutoML 套件 Flaml 來預測結構化資料！
內容介紹:
有了三個臭皮匠，何必每次堅持找個諸葛亮？
任何人都能運用深度學習（DL）嗎？AutoML（自動化機器學習）已經遍地開花，各大企業諸如 Google、Microsoft、Amazon、IBM、SAS 等都推出了自己的 AutoML 服務，讓使用者不必具備專業領域知識，也能快速打造出自己的 AI 模型。換言之，AutoML 徹底降低了 「AI 落地」的門檻。
AutoML不能取代資料科學家，卻能大大省下你試驗機器學習模型的時間與痛苦。當你的朋友還在興致沖沖算數學時，你說不定早就端出了可投入實用的高效能模型。
而什麼是 AutoKeras？這是一套完全開源的 Python AutoML 套件，以 Tensorflow 2 為基礎、運用創新的『高效神經網路架構搜尋』（ENAS）來實現自動化建模。AutoKeras 對於影像、文字、時間序列或一般結構化資料的預測都提供了內建類別，甚至會加上資料預處理功能，使你只需用短短幾行程式碼便能打造出成效優異的 DL 模型，還不必接觸高深的數學。
就連經驗豐富的專家也能受惠：利用 AutoKeras 快速產生候選模型，好做為進一步改良的參考，並將更多寶貴的時間投注在資料清洗與特徵工程上。
從此向困難、令人困惑的建模過程說拜拜，跨入深度學習的門檻從未如此之低；有了 AutoKeras，任何人都能駕馭 AI 的威力來解決真實世界的問題。
本書特色:
★ 免懂數學免瞎忙！不必再被迫學數學，就能輕鬆將 AI 運用在真實世界
★ 什麼是神經網路和深度學習？何謂 CNN 與 RNN？用淺顯易懂的方式理解其運作原理
★ 只要寫短短幾行 Python 程式，就能打造出強效深度學習模型，省時省力又好用
★ 無須透過複雜的 Keras API 就能使用諸如 ResNet、Xception、EfficientNet、Transformer、BERT、LStM、GRU 等知名模型架構
★ 提供了使用真實資料集的豐富實作範例，從圖像、文字、時間序列到一般結構化資料的預測一應俱全
★ 運用內建的 AutoModel 類別針對多模態 (multi-model) 資料建立多任務 (multi-task) 自訂模型
★ 利用 TensorBoard 或 ClearML 將你的模型訓練過程圖形化，更容易比較訓練成效和分享
★ 附 notebook/py 範例程式、Google Colab 及本機安裝教學，包括如何安裝 CUDA GPU 支援
★ 加值贈送：運用 2021 年新推出的輕量級 AutoML 套件 Flaml 來預測結構化資料！
作者簡介
作者簡介:
Luis Sobrecueva 是有二十年資歷的軟體工程師，目前任職於西班牙叫車服務公司 Cabify，並致力於參與 OpenAI 及 AutoKeras 等機器學習╱深度學習開源專案的開發。
書籍目錄
AutoKeras 基礎篇
Chapter 1 AutoML 入門
1-1 標準 ML 工作流程的深度剖析
1-2 什麼是 AutoML？
1-3 AutoML 的種類
1-4 AutoML 工具
1-5 總結
Chapter 2 開始使用 AutoKeras ──第一個自動化 DL 範例
2-1 什麼是深度學習？
2-2 什麼是神經網路？它如何學習？
2-3 深度學習模型如何學習？
2-4 為何選擇 AutoKeras？
2-5 安裝AutoKeras
2-6 Hello MNIST：執行我們的第一個 AutoKeras 實驗──建立圖像分類器
2-7 建置圖像迴歸器
2-8 總結
Chapter 3 了解 AutoKeras 對於自動化 DL 流程的資料預處理
3-1 了解張量 (tensors)
3-2 準備可以傳入深度學習模型的資料
3-3 切割資料集以用於訓練及評估.
3-4 總結
AutoKeras 實踐篇
Chapter 4 運用 AutoKeras 進行圖像的分類與迴歸
4-1 理解卷積神經網路 (CNN)
4-2 CNN 與傳統神經網路的差異
4-3 建立 CIFAR-10 圖像分類器
4-4 自訂模型架構
4-5 建立可推斷人物年齡的圖像迴歸模型
4-6 總結
Chapter 5 運用 AutoKeras 進行文本、情感、主題的分類與迴歸
5-1 文本資料處理
5-2 不同網路層用於文本資料處理的差異
5-3 打造垃圾信件偵測器
5-4 用電影評論來預測評分
5-5 理解情感分析 (sentiment analysis)
5-6 理解主題分類
5-7 根據網路文章判定討論群組類型
5-8 總結
Chapter 6 運用 AutoKeras 進行結構化資料的分類與迴歸
6-1 理解結構化資料
6-2 打造結構化分類器預測船難生還者
6-3 打造結構化分類器預測信用卡詐欺
6-4 處理分類不平均的資料集
6-5 打造結構化迴歸器預測房價
6-6 打造結構化迴歸器預測共享單車租用人次
6-7 總結
Chapter 7 運用 AutoKeras 進行時間序列預測
7-1 理解 RNN 的改良版
7-2 單變量時間序列：氣溫預測
7-3 多變量時間序列資料預測
7-4 總結
AutoKeras 進階篇
Chapter 8 自訂 AutoModel 複合模型並處理多重任務
8-1 理解多模態 (multi-model) 資料與多任務 (multi-task) 模型
8-2 打造使用多模態資料的多任務模型
8-3 打造能同時預測電影評分與情感的預測器
8-4 打造能用兩種 CNN 網路模型預測分類的預測器
8-5 總結
Chapter 9 AutoKeras 模型的匯出與訓練過程視覺化
9-1 匯出、儲存並重新載入你的模型
9-2 使用 TensorBoard將模型訓練過程視覺化
9-3 使用 TensorBoard.dev 來對外分享模型訓練過程
9-4 使用 ClearML 來視覺化並分享模型訓練過程
9-5 總結
Bonus (電子書) 運用輕量級 AutoML 套件 Flaml 於結構化資料預測任務
A-1 Flaml 分類器
A-2 Flaml 迴歸器
A-3 自訂訓練演算法、指標並保存模型