內容簡介 　　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。 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