自動機器學習 Automated Machine Learning: Hyperparameter optimization, neural architecture search, and algorithm selection with cloud platforms

本書重點講解基於雲平台的超參數優化、神經構架搜索以及算法選擇等內容，是自動機器學習的基本任務。
介紹了基於三個主要雲服務提供商(包括 Microsoft Azure、Amazon Web Services (AWS) 
和 Google Cloud Platform)進行 AutoML，同時部署 ML 模型和管道，具有較強的實用性。
在應用場景中評估 AutoML 方面，例如算法選擇、自動特徵化和超參數調整，並區分雲和 OSS 產品等。
本書適用於從事機器學習或人工智能方向的數據科學家或工程師學習，也適合學生或行業初學者進行入門學習實踐。

第1章走進自動機器學
1.1 機器學開發生命週期
1.2 自動機器學簡介
1.3 自動機器學的工作原理
1.4 數據科學的大眾化
1.5 揭穿自動機器學的迷思
1.6 自動機器學生態系統
1.7 小結
第2章自動機器學、算法和技術
2.1 自動機器學概述
2.2 自動徵工程
2.3 參數化
2.4 經架構搜索
2.5 小結
第3章使用開源工具和庫進行自動機器學
3.1 技術要求
3.2 自動機器學的開源生態系統
3.3 TPOT
3.4 Featuretools
3.5 Microsoft NNI
3.6 auto-sklearn
3.7 AutoKeras
3.8 Ludwig
3.9 AutoGluon
3.10 小結
第4章Azure Machine Learning
4.1 Azure Machine Learning入門
4.2 Azure Machine Learning棧
4.3 Azure Machine Learning服務
4.4 使用Azure Machine Learning建模
4.5 使用Azure Machine Learning署和測試模型
4.6 小結
第5章使用Azure進行自動機器學
5.1 Azure中的自動機器學
5.2 使用自動機器學進行時間序列預測
5.3 小結
第6章使用AWS進行機器學
6.1 AWS環境中的機器學
6.2 開始使用AWS
6.3 使用Amazon SageMaker Autopilot
6.4 使用Amazon SageMaker JumpStart
6.5 小結
第7章使用Amazon SageMaker Autopilot進行自動機器學
7.1 技術要求
7.2 創建Amazon SageMaker Autopilot受限實驗
7.3 創建AutoML 實驗
7.4 運行SageMaker Autopilot實驗並署模型
7.5 構建並運行SageMaker Autopilot實驗
7.6 小結
第8章使用Google Cloud Platform進行機器學
8.1 Google Cloud Platform使用入門
8.2 使用GCP實現AI和ML
8.3 Google Cloud AI Platform和AI Hub
8.4 Google Cloud AI Platform使用入門
8.5 使用Google Cloud進行AutoML
8.6 小結
第9章使用GCP進行自動機器學
9.1 Google Cloud AutoML Tables
9.2 創建AutoML Tables實驗
9.3 了解AutoML Tables模型署
9.4 在AutoML Tables上使用BigQuery公共數據集
9.5 自動機器學做格預測
9.6 小結
第10章企業中的自動機器學
10.1 企業是否需要自動機器學
10.2 自動機器學——企業高級分析的加速器
10.3 自動機器學的挑戰和機遇
10.4 建立信任——自動機器學中的模型可解釋性和透明度
10.5 在企業中引入自動機器學
10.6 總結與展望