AutoML自動化機器學習：用AutoKeras超輕鬆打造高效能AI模型

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！

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。

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