• 标题：元学习：在自动机器学习和数据挖掘中的应用
• 作者Pavel Braddil、Jan N.van Rijn、Carlos Soares、Joaquin Vanschoren
• 出版商：施普林格；第二版（2022年2月24日）；电子书（开放获取、知识共享许可）
• 许可证： 抄送4.0
• 精装本：358页
• 电子书：PDF格式
• 语言：英语
• 国际标准图书编号-10：3030670236
• ISBN-13：978-3030670238
• 分享这个：  

`

书籍描述

这本开放存取的书提供了对几乎所有方面的元学习和自动机器学习（AutoML），包括基本概念和架构、评估、数据集、超参数优化、集成和工作流，以及如何使用这些知识来选择、组合、组合、调整和配置算法和模型，以更快更好地解决数据挖掘和数据科学问题。因此，它可以帮助开发人员开发能够通过经验改进自己的系统。

关于作者

• 不适用

审查、评级和建议：

• 亚马逊

相关图书类别：

• 机器学习
• 数据分析和数据挖掘
• 深度学习和神经网络
• 人工智能

阅读和下载链接：

• 元学习：自动机器学习和数据挖掘的应用（Pavel Braddil等）
• 镜像站点（1）-PDF

类似书籍：

• 自动化机器学习：方法、系统、挑战

  本书首次全面概述了自动机器学习（AutoML），收集基于这些方法的现有系统的描述，并讨论AutoML系统的第一系列国际挑战。

• 机器学习基础（Mehryar Mohri等人）

  这本书是对机器学习的一般介绍。它涵盖了机器学习中的基本现代主题，同时提供了讨论和论证算法所需的理论基础和概念工具。

• 机器学习渴望（Andrew Ng）

  您将学习如何在团队环境中调整ML策略，以及如何设置开发（dev）集和测试集。读完本书后，您将对如何为机器学习项目设置技术方向有一个深刻的理解。

• 深入学习（Aston Zhang等人）

  这是一本开源的交互式书籍，以独特的形式提供，集成了文本、数学和代码，现在支持TensorFlow、PyTorch和阿帕奇MXNet完全通过Jupyter笔记本起草的编程框架。

• 理解机器学习：从理论到算法

  解释自动学习方法背后的原理及其使用注意事项。对机器学习和数学推导的基本思想提供了广泛的理论解释。

• 从头开始的机器学习（丹尼·弗里德曼）

  本书涵盖了机器学习中最常见方法的构建块。这组方法就像机器学习工程师的工具箱。那些进入机器学习领域的人应该对这个工具箱感到满意。

• 强化学习：导论，第二版

  本书对强化学习的关键思想和算法进行了清晰而简单的描述，所有相关学科的读者都可以使用。重点关注核心在线学习算法，更多数学材料放在阴影框中。

• 概率机器学习：简介（凯文·墨菲）

  这本书全面介绍了使用概率模型和推理作为统一方法的机器学习。它是以一种非正式的、可访问的风格编写的，并为最重要的算法提供了伪代码。