深入理解AutoML和AutoDL：構(gòu)建自動化機器學習與深度學習平臺

目錄
贊譽
前言
第1章　人工智能概述1
1.1　全面了解人工智能1
1.1.1　人工智能定義1
1.1.2　弱人工智能、強人工智能與超人工智能2
1.1.3　人工智能三大主義3
1.1.4　機器學習與深度學習4
1.2　人工智能發(fā)展歷程5
1.3　深度學習的崛起之路7
1.3.1　人臉識別的起源7
1.3.2　自動駕駛的福音7
1.3.3　超越人類的AI智能體8
1.3.4　懂你的AI8
1.3.5　奔跑、飛行以及玩游戲的AI8
1.3.6　人人都可以創(chuàng)造屬于自己的AI8
1.4　深度學習的發(fā)展9
1.4.1　計算機視覺9
1.4.2　自然語言處理10
1.4.3　語音識別11
1.5　下一代人工智能11
1.6　參考文獻13
第2章　自動化人工智能14
2.1　AutoML概述14
2.1.1　什么是自動化14
2.1.2　AutoML的起源與發(fā)展15
2.2　AutoML的研究意義17
2.2.1　AutoML的研究動機17
2.2.2　AutoML的意義和作用18
2.3　現(xiàn)有AutoML平臺產(chǎn)品21
2.3.1　谷歌Cloud AutoML21
2.3.2　百度EasyDL23
2.3.3　阿里云PAI24
2.3.4　探智立方DarwinML28
2.3.5　第四范式AI ProphetAutoML29
2.3.6　智易科技30
2.4　參考文獻31
第3章　機器學習概述32
3.1　機器學習的發(fā)展32
3.1.1　“機器學習”名字的由來32
3.1.2　“機器學習”的前世今生33
3.1.3　“機器學習”的理論基礎(chǔ)34
3.2　機器學習的實現(xiàn)方法36
3.2.1　分類問題36
3.2.2　回歸問題38
3.2.3　聚類問題39
3.3　自動化機器學習40
3.3.1　機器學習面臨的問題40
3.3.2　為什么會產(chǎn)生AutoML41
3.4　參考文獻41
第4章　自動化特征工程43
4.1　特征工程43
4.1.1　什么是特征43
4.1.2　什么是特征工程44
4.2　特征工程處理方法45
4.2.1　特征選擇45
4.2.2　數(shù)據(jù)預處理47
4.2.3　特征壓縮48
4.3　手工特征工程存在的問題49
4.4　自動化特征工程50
4.4.1　什么是自動化特征工程50
4.4.2　機器學習和深度學習的特征工程51
4.5　自動化特征工程生成方法52
4.5.1　深度特征合成算法52
4.5.2　Featuretools自動特征提取52
4.5.3　基于時序數(shù)據(jù)的自動化特征工程56
4.6　自動化特征工程工具67
4.6.1　自動化特征工程系統(tǒng)67
4.6.2　自動化特征工程平臺71
4.7　參考文獻75
第5章　自動化模型選擇76
5.1　模型選擇76
5.2　自動化模型選擇77
5.2.1　基于貝葉斯優(yōu)化的自動化模型選擇78
5.2.2　基于進化算法的自動化模型選擇84
5.2.3　分布式自動化模型選擇86
5.2.4　自動化模型選擇的相關(guān)平臺92
5.3　自動集成學習94
5.3.1　集成學習基礎(chǔ)94
5.3.2　集成學習之結(jié)合策略97
5.3.3　自動化模型集成98
5.4　參考文獻99
第6章　自動化超參優(yōu)化101
6.1　概述101
6.1.1　問題定義103
6.1.2　搜索空間103
6.1.3　搜索策略103
6.1.4　評價預估104
6.1.5　經(jīng)驗遷移加速105
6.2　基本方法105
6.2.1　網(wǎng)格搜索105
6.2.2　隨機搜索105
6.3　基于模型的序列超參優(yōu)化106
6.3.1　代理模型的選擇108
6.3.2　代理模型的更新108
6.3.3　新超參組的選擇109
6.3.4　基于高斯過程回歸的序列超參優(yōu)化111
6.3.5　基于隨機森林算法代理的序列超參優(yōu)化112
6.3.6　基于TPE算法的序列超參優(yōu)化114
6.3.7　SMBO的進階技巧114
6.4　基于進化算法的自動化超參優(yōu)化115
6.4.1　基于進化策略的自動化超參優(yōu)化115
6.4.2　基于粒子群算法的自動化超參優(yōu)化116
6.5　基于遷移學習的超參優(yōu)化加速方法117
6.5.1　經(jīng)驗遷移機制117
6.5.2　經(jīng)驗遷移衰退機制117
6.5.3　經(jīng)驗遷移權(quán)重機制117
6.5.4　優(yōu)化過程的試點機制118
6.6　參考文獻118
第7章　深度學習基礎(chǔ)120
7.1　深度學習簡介120
7.1.1　什么是神經(jīng)元120
7.1.2　人工神經(jīng)網(wǎng)絡的發(fā)展歷程121
7.1.3　深度學習方法123
7.2　卷積神經(jīng)網(wǎng)絡簡介123
7.2.1　卷積層123
7.2.2　池化層125
7.2.3　全連接層126
7.3　CNN經(jīng)典模型126
7.3.1　LeNet126
7.3.2　AlexNet127
7.3.3　VGGNet128
7.3.4　GoogLeNet129
7.3.5　ResNet130
7.3.6　DenseNet131
7.4　循環(huán)神經(jīng)網(wǎng)絡132
7.4.1　基本循環(huán)神經(jīng)模型132
7.4.2　LSTM模型133
7.4.3　GRU模型134
7.5　參考文獻134
第8章　自動化深度學習概述136
8.1　深度學習vs自動化深度學習136
8.2　什么是NAS136
8.2.1　問題定義137
8.2.2　搜索策略139
8.2.3　加速方案140
8.3　NAS方法分類140
第9章　基于強化學習的AutoDL142
9.1　強化學習基礎(chǔ)142
9.1.1　強化學習簡介142
9.1.2　基本要素及問題定義144
9.1.3　發(fā)展歷史144
9.1.4　基本方法146
9.2　兩類基本模型147
9.2.1　TD經(jīng)典算法148
9.2.2　DQN系列算法149
9.2.3　策略梯度算法152
9.3　強化學習之Actor-Critic系列154
9.3.1　Actor-Critic算法154
9.3.2　確定性策略梯度155
9.3.3　深度確定性策略梯度157
9.3.4　異步優(yōu)勢Actor-Critic算法158
9.3.5　近端策略優(yōu)化160
9.3.6　分布式近端策略優(yōu)化164
9.4　基于強化學習的自動搜索166
9.5　基本搜索方法166
9.5.1　基于層的搜索166
9.5.2　基于塊的搜索169
9.5.3　基于連接的搜索171
9.6　進階搜索方法173
9.6.1　逆強化學習173
9.6.2　圖超網(wǎng)絡174
9.6.3　蒙特卡洛樹搜索175
9.6.4　知識提煉（教師網(wǎng)絡）177
9.7　參考文獻179
第10章　基于進化算法的AutoDL181
10.1　啟發(fā)式算法181
10.1.1　隨機搜索182
10.1.2　近鄰搜索183
10.1.3　進化計算187
10.1.4　啟發(fā)式算法的局限性189
10.2　初代進化算法190
10.2.1　基本術(shù)語190
10.2.2　基礎(chǔ)算子191
10.2.3　遺傳算法196
10.2.4　進化策略198
10.2.5　進化規(guī)劃199
10.3　其他近代進化算法200
10.3.1　遺傳編程算法簇200
10.3.2　群體算法—以PSO為例205
10.3.3　文化基因算法207
10.3.4　差分進化算法208
10.3.5　分布估計算法208
10.4　進化神經(jīng)網(wǎng)絡209
10.4.1　簡介209
10.4.2　神經(jīng)網(wǎng)絡編碼方式210
10.4.3　競爭約定211
10.4.4　網(wǎng)絡結(jié)構(gòu)的創(chuàng)新性212
10.4.5　NAS之進化算法212
10.5　細粒度的神經(jīng)進化（NEAT算法）213
10.5.1　基因編碼214
10.5.2　基因的可追溯性216
10.5.3　通過物種形成保護創(chuàng)新結(jié)構(gòu)216
10.6　粗粒度的神經(jīng)進化（CoDeep-NEAT算法）218
10.6.1　DeepNEAT算法218
10.6.2　CoDeepNEAT算法219
10.7　block-level的進化220
10.7.1　Genetic CNN算法220
10.7.2　CGP-CNN方法222
10.8　基于node-level的網(wǎng)絡架構(gòu)進化224
10.8.1　思想簡介224
10.8.2　基本算法設計225
10.8.3　信息復用與加速226
10.9　基于NAS搜索空間的網(wǎng)絡架構(gòu)進化227
10.9.1　思想簡介227
10.9.2　基本算法設計227
10.9.3　信息復用與加速228
10.10　基于層次拓撲表示的網(wǎng)絡進化方法228
10.10.1　思想簡介228
10.10.2　分級表示229
10.10.3　隨機的層次分級進化230
10.11　參考文獻230
第11章　AutoDL高階233
11.1　搜索加速之權(quán)值共享法233
11.1.1　ENAS233
11.1.2　基于稀疏優(yōu)化的NAS235
11.2　基于one-shot模型的架構(gòu)搜索236
11.2.1　超網(wǎng)絡的應用236
11.2.2　基于one-shot的搜索237
11.2.3　實例級架構(gòu)搜索238
11.2.4　單路徑超網(wǎng)絡240
11.3　搜索加速之代理評估模型241
11.3.1　代理模型241
11.3.2　PNAS中的LSTM代理242
11.4　基于網(wǎng)絡態(tài)射法的神經(jīng)架構(gòu)搜索244
11.4.1　網(wǎng)絡態(tài)射的提出244
11.4.2　什么是網(wǎng)絡態(tài)射244
11.4.3　網(wǎng)絡態(tài)射+迂回爬山法246
11.5　可微分神經(jīng)架構(gòu)搜索247
11.5.1　可微分神經(jīng)架構(gòu)搜索的來源247
11.5.2　可微分神經(jīng)架構(gòu)搜索的方法248
11.6　參考文獻250
第12章　垂直領(lǐng)域的AutoDL252
12.1　AutoCV252
12.1.1　Auto-DeepLab（圖像語義分割）252
12.1.2　隨機連線神經(jīng)網(wǎng)絡257
12.2　AutoVoice261
12.2.1　關(guān)鍵詞定位問題定義261
12.2.2　隨機自適應架構(gòu)搜索原理262
12.2.3　SANAS模型262
12.3　AutoNLP263
12.3.1　什么是自注意力機制263
12.3.2　初識Transformer模型265
12.3.3　Evolved Transformer結(jié)構(gòu)266
12.4　參考文獻270
第13章　自動化模型壓縮與加速271
13.1　從生物角度看模型壓縮的重要性271
13.1.1　人腦神經(jīng)元的修剪271
13.1.2　大腦的冗余性272
13.1.3　修剪的意義273
13.2　模型壓縮發(fā)展概述274
13.3　入門級方法：量化技術(shù)275
13.3.1　量化技術(shù)275
13.3.2　二值化網(wǎng)絡276
13.3.3　TensorRT277
13.4　初級方法：修剪法278
13.4.1　修剪法278
13.4.2　修剪與修復279
13.5　中級方法：稀疏化技術(shù)281
13.5.1　正則化281
13.5.2　知識精煉281
13.5.3　張量分解281
13.6　高級方法：輕量級模型設計284
13.6.1　簡化卷積操作284
13.6.2　深度可分離卷積285
13.6.3　改進的Inception287
13.7　自動化模型壓縮技術(shù)289
13.7.1　AMC算法289
13.7.2　PocketFlow框架291
13.8　基于AutoDL的輕量級模型292
13.8.1　問題定義292
13.8.2　帕累托最優(yōu)問題293
13.8.3　進化算法的應用294
13.8.4　強化學習的應用296
13.8.5　可微分架構(gòu)搜索298
13.9　參考文獻300
第14章　元學習302
14.1　什么是元學習302
14.1.1　基本介紹302
14.1.2　經(jīng)典案例303
14.1.3　深入了解元學習304
14.1.4　元學習應用的發(fā)展306
14.2　元學習的通用流程306
14.2.1　基本定義306
14.2.2　流程框架306
14.3　從模型評估中學習307
14.3.1　任務無關(guān)推薦308
14.3.2　參數(shù)空間設計308
14.3.3　參數(shù)轉(zhuǎn)換309
14.3.4　學習曲線310
14.4　從任務屬性中學習310
14.4.1　元特征310
14.4.2　學習元特征311
14.4.3　相似任務的熱啟動優(yōu)化311
14.4.4　元模型311
14.4.5　管道合成312
14.4.6　是否調(diào)整312
14.5　從先前模型中學習312
14.5.1　遷移學習313
14.5.2　神經(jīng)網(wǎng)絡中的元學習313
14.5.3　小樣本學習314
14.5.4　監(jiān)督學習之外的方法315
14.6　基于模型的方法316
14.6.1　記憶增強神經(jīng)網(wǎng)絡316
14.6.2　元網(wǎng)絡317
14.6.3　模型無關(guān)的元學習方法317
14.6.4　利用注意力機制的方法319
14.6.5　基于時間卷積的方法320
14.6.6　基于損失預測的方法321
14.6.7　元強化學習321
14.7　基于度量的方法322
14.7.1　Siamese網(wǎng)絡322
14.7.2　匹配網(wǎng)絡324
14.7.3　關(guān)系網(wǎng)絡324
14.7.4　原型網(wǎng)絡325
14.8　基于優(yōu)化的方法326
14.8.1　基于LSTM網(wǎng)絡的元學習者326
14.8.2　未知模型的元學習326
14.8.3　Reptile：可擴展元學習方法327
14.8.4　基于梯度預測的方法327
14.9　參考文獻329
結(jié)束語332