深入理解AUTOML和AUTODL:构建自动化机器学习与深度学习平台

（1）作者是的AI专家，在机器学习、AutoML、联邦学习、大数据、云计算等领域发表国际论文30余篇，发明专利200余项。（2）作者是平安科技副总工程师，深度学习平台和AutoML平台负责人，美国佛罗里达大学人工智能博士后，中国人工智能开源软件发展联盟副理事长。（4）本书得到了腾讯、阿里、字节跳动、微众银行、浙江大学、新智元等企业界、学术界、媒体界的8位专家联袂推荐。（5）从基础理论、核心原理、前沿算法等多个维度全面解读AutoML、AutoDL和元学习。

内容介绍这是一部从基础理论、核心原理、前沿算法等多个维度系统、全面讲解AutoML、AutoDL、AutoNAS和元学习的著作。作者是的人工智能专家，平安科技深度学习平台和AutoML平台负责人。本书得到了IEEE Fellow/ACM杰出科学家/香港科技大学教授杨强教授、腾讯AI Lab副主任俞栋、美国佛罗里达大学教授李晓林等8位来自企业界、学术界和媒体界的专家的一致好评。它既能让新人理清AutoML的脉络，快速上手机器学习，又能让有经验的读者全面掌握AutoML的知识体系，工作变得更高效。全书共14章，逻辑上分为四部分：第壹部分（第1~2章） 人工智能基础对人工智能、自动化人工智能的重要概念、发展历程及现状、适用场景、主要的工具和技术等做了全面的介绍，并引出了人工智能技术未来的发展方向——AutoML，这部分是阅读本书的基础。第二部分（第3~6章） AutoML主要讲解机器学习和自动化机器学习，核心是AutoML，包含自动化特征工程、自动化模型选择和自动化超参优化3个方面的内容。第三部分（第7~13章） AutoDL主要讲解深度学习和自动化深度学习，重点讲解了AutoDL的原理、基于强化学习的AutoDL、基于进化算法的AutoDL、AtuoDL的高阶知识、自动化模型压缩与加速，以及各种核心算法和前沿算法。第四部分（第14章） 元学习元学习是人工智能的理想目标，这部分对元学习的概念、流程和各种主流的学习方法都进行了详尽的介绍。

王健宗平安科技副总工程师，深度学习平台和AutoML平台负责人，中国人工智能开源软件发展联盟副理事长，美国佛罗里达大学人工智能博士后，曾任美国莱斯大学电子与计算机工程系研究员，专注于联邦学习和人工智能在金融、保险、投资、银行和医疗等领域的研发工作，发表联邦学习、深度学习、云计算和大数据等领域国际论文30余篇，以及发明专利200余项。多届国内知名大数据、人工智能、金融科技和联邦学习会议/论坛主席和出品人。瞿晓阳 华中科技大学计算机系统结构博士，美国中佛罗里达大学访问学者，大型金融集团科技公司算法工程师，一直从事机器学习、大数据、体系结构方面的研究工作，在AutoML平台、面向AI的云原生架构、高性能计算、高效能存储系统等方面经验丰富。近几年，在国际很好会议和很好期刊发表过多篇文章，担任过多个国际很好期刊的评委。

赞誉前言第1章  人工智能概述11.1  全面了解人工智能11.1.1  人工智能定义11.1.2  弱人工智能、强人工智能与超人工智能21.1.3  人工智能三大主义31.1.4  机器学习与深度学习41.2  人工智能发展历程51.3  深度学习的崛起之路71.3.1  人脸识别的起源71.3.2  自动驾驶的福音71.3.3  超越人类的AI智能体81.3.4  懂你的AI81.3.5  奔跑、飞行以及玩游戏的AI81.3.6  人人都可以创造属于自己的AI81.4  深度学习的发展91.4.1  计算机视觉91.4.2  自然语言处理101.4.3  语音识别111.5  下一代人工智能111.6  参考文献13第2章  自动化人工智能142.1  AutoML概述142.1.1  什么是自动化142.1.2  AutoML的起源与发展152.2  AutoML的研究意义172.2.1  AutoML的研究动机172.2.2  AutoML的意义和作用182.3  现有AutoML平台产品212.3.1  谷歌Cloud AutoML212.3.2  百度EasyDL232.3.3  阿里云PAI242.3.4  探智立方DarwinML282.3.5  第四范式AI ProphetAutoML292.3.6  智易科技302.4  参考文献31第3章  机器学习概述323.1  机器学习的发展323.1.1  “机器学习”名字的由来323.1.2  “机器学习”的前世今生333.1.3  “机器学习”的理论基础343.2  机器学习的实现方法363.2.1  分类问题363.2.2  回归问题383.2.3  聚类问题393.3  自动化机器学习403.3.1  机器学习面临的问题403.3.2  为什么会产生AutoML413.4  参考文献41第4章  自动化特征工程434.1  特征工程434.1.1  什么是特征434.1.2  什么是特征工程444.2  特征工程处理方法454.2.1  特征选择454.2.2  数据预处理474.2.3  特征压缩484.3  手工特征工程存在的问题494.4  自动化特征工程504.4.1  什么是自动化特征工程504.4.2  机器学习和深度学习的特征工程514.5  自动化特征工程生成方法524.5.1  深度特征合成算法524.5.2  Featuretools自动特征提取524.5.3  基于时序数据的自动化特征工程564.6  自动化特征工程工具674.6.1  自动化特征工程系统674.6.2  自动化特征工程平台714.7  参考文献75第5章  自动化模型选择765.1  模型选择765.2  自动化模型选择775.2.1  基于贝叶斯优化的自动化模型选择785.2.2  基于进化算法的自动化模型选择845.2.3  分布式自动化模型选择865.2.4  自动化模型选择的相关平台925.3  自动集成学习945.3.1  集成学习基础945.3.2  集成学习之结合策略975.3.3  自动化模型集成985.4  参考文献99第6章  自动化超参优化1016.1  概述1016.1.1  问题定义1036.1.2  搜索空间1036.1.3  搜索策略1036.1.4  评价预估1046.1.5  经验迁移加速1056.2  基本方法1056.2.1  网格搜索1056.2.2  随机搜索1056.3  基于模型的序列超参优化1066.3.1  代理模型的选择1086.3.2  代理模型的更新1086.3.3  新超参组的选择1096.3.4  基于高斯过程回归的序列超参优化1116.3.5  基于随机森林算法代理的序列超参优化1126.3.6  基于TPE算法的序列超参优化1146.3.7  SMBO的进阶技巧1146.4  基于进化算法的自动化超参优化1156.4.1  基于进化策略的自动化超参优化1156.4.2  基于粒子群算法的自动化超参优化1166.5  基于迁移学习的超参优化加速方法1176.5.1  经验迁移机制1176.5.2  经验迁移衰退机制1176.5.3  经验迁移权重机制1176.5.4  优化过程的试点机制1186.6  参考文献118第7章  深度学习基础1207.1  深度学习简介1207.1.1  什么是神经元1207.1.2  人工神经网络的发展历程1217.1.3  深度学习方法1237.2  卷积神经网络简介1237.2.1  卷积层1237.2.2  池化层1257.2.3  全连接层1267.3  CNN经典模型1267.3.1  LeNet1267.3.2  AlexNet1277.3.3  VGGNet1287.3.4  GoogLeNet1297.3.5  ResNet1307.3.6  DenseNet1317.4  循环神经网络1327.4.1  基本循环神经模型1327.4.2  LSTM模型1337.4.3  GRU模型1347.5  参考文献134第8章  自动化深度学习概述1368.1  深度学习vs自动化深度学习1368.2  什么是NAS1368.2.1  问题定义1378.2.2  搜索策略1398.2.3  加速方案1408.3  NAS方法分类140第9章  基于强化学习的AutoDL1429.1  强化学习基础1429.1.1  强化学习简介1429.1.2  基本要素及问题定义1449.1.3  发展历史1449.1.4  基本方法1469.2  两类基本模型1479.2.1  TD经典算法1489.2.2  DQN系列算法1499.2.3  策略梯度算法1529.3  强化学习之Actor-Critic系列1549.3.1  Actor-Critic算法1549.3.2  确定性策略梯度1559.3.3  深度确定性策略梯度1579.3.4  异步优势Actor-Critic算法1589.3.5  近端策略优化1609.3.6  分布式近端策略优化1649.4  基于强化学习的自动搜索1669.5  基本搜索方法1669.5.1  基于层的搜索1669.5.2  基于块的搜索1699.5.3  基于连接的搜索1719.6  进阶搜索方法1739.6.1  逆强化学习1739.6.2  图超网络1749.6.3  蒙特卡洛树搜