对机器学习的需求在迅猛增长。各行业的组织都努力在其产品和流程中注入智能以取悦客户，扩大业务影响。不过，开发一个好的机器学习模型是一个迭代且耗时的过程。通过使用机器学习来帮助构建模型，自动机器学习可以让这个过程变得更容易。这本实用指南介绍了如何对你的数据应用自动机器学习。
本书不仅提供了有深度的技术介绍，还提供了大量实践示例和案例研究，展示了如何使用自动机器学习解决实际问题。有一定机器学习经验的数据科学家和开发人员可以学习如何使用Automated ML工具来更快、更高效地构建他们的模型。
学习成功机器学习项目的**实践。
使用Azure完成自动机器学习。
理解分类和回归，以及模型可解释性和透明性等概念。
了解如何在其他环境中使用Automated ML，如Azure Databricks、ML.NET和SQL Server。
探索推动机器学习大众化的工具。
卓伟雄（Wee Hyong Tok）是微软公司云与企业组的信息管理和机器学习（IMML）团队的资深程序经理。Wee Hyong带来了数十年跨行业和学术的数据库系统经验。在获得博士学位之前，Wee Hyong是新加坡一个大型电信公司的系统分析师。Wee Hyong是SQL Server方向的最有价值专家（MVP），专注于商业智能和数据挖掘领域。他率先在东南亚开展数据挖掘训练营，为IT专家带来知识和技术，使他们可以在他们的组织里使用分析工具把原始数据转成洞察。他加入微软并在SQL Server团队里工作，负责塑造SSIS Server，并在SQL Server 2012里把它从概念变成实现。Wee Hyong拥有新加坡国立大学的计算机科学的博士学位和计算方面的硕士学位（获得一等荣誉）。他发表过21篇同行评审的学术论文和期刊文章。他是以下书籍的合著者：《Predictive Analytics with Microsoft Azure Machine Learning》《Introducing Microsoft Azure HD Insight》和《Microsoft SQL Server 2012 Integration Services》。
序
前言
第1部分 自动机器学习
第1章 机器学习：概述和最佳实践
机器学习：简要回顾
模型参数
超参数
机器学习项目的最佳实践
理解决策过程
建立性能指标
强调透明度以获得信任
勇于实验
不要孤军作战
迭代而耗时的过程
特征工程
算法选择
超参数调整
端到端过程
增长的需求
小结
第2章 自动机器学习如何工作
什么是自动机器学习？
理解数据
检测任务
选择评价指标
特征工程
选择模型
监控和重训练
综合
Automated ML
Automated ML如何工作
保留隐私
支持透明度
防护
端到端模型生命周期管理
小结
第2部分 Azure的Automated ML
第3章 开始使用微软Azure机器学习和Automated ML
机器学习过程
协作和监控
部署
为Automated ML建立一个Azure机器学习工作区
Azure Notebooks
Notebook VM
小结
第4章 特征工程和自动机器学习
Automated ML中可用的数据预处理方法
Automated ML的自动特征化
分类和回归的自动特征化
时间序列预报的自动特征化
小结
第5章 部署自动机器学习模型
部署模型
注册模型
创建容器映像
部署模型进行测试
测试已部署的模型
部署到AKS
Web服务的Swagger文档
调试部署
Web服务部署失败
小结
第6章 分类和回归
为什么使用分类和回归？
分类和回归算法
使用Automated ML完成分类和回归
小结
第3部分 企业如何使用自动机器学习
第7章 使用Automated ML支持模型可解释性和透明性
模型可解释性
Azure机器学习的模型可解释性
模型透明性
理解Automated ML模型流水线
防护
小结
第8章 开发人员使用Automated ML
Azure Databricks和Apache Spark
ML.NET
SQL Server
小结
第9章 所有人使用Automated ML
Azure门户UI
Power BI
准备数据
Automated ML训练
理解最佳模型
理解Automated ML训练过程
模型部署和推理
支持协作
Azure机器学习到Power BI
Power BI Automated ML到Azure机器学习
小结
作者介绍
封面介绍
