面向移动设备的机器学习

"本书将通过简单的实际示例帮助读者开发面向移动设备的机器学习应用程序。读者将从了解机器学习的基础知识开始，到通读本书后，将对什么是面向移动设备的机器学习以及可用于实现移动设备机器学习的工具/SDK有很好的了解，并且也将能够实现可以在iOS和Android上运行的移动应用程序中的各种机器学习算法。 读者将理解什么是机器学习，什么力量在推动面向移动设备的机器学习，以及面向移动设备的机器学习的独特性。将接触到所有移动设备机器学习工具和SDK：TensorFlow Lite、Core ML、ML Kit和Fritz。本书将探讨每个工具箱的高级体系结构和组件。到本书结尾，读者将对机器学习模型有广泛的了解，并能够执行设备上的机器学习。也将深入了解机器学习算法，例如回归、分类、线性支持向量机（SVM）和随机森林等。而且将学习如何进行自然语言处理以及实现垃圾邮件检测。最后，将了解如何将使用Core ML和TensorFlow创建的现有模型转换为Fritz模型。本书还讨论了神经网络，以及机器学习的未来。本书最后还包含一个“常见问题解答”形式的附录，回答了读者可能对移动设备的机器学习所产生的疑问。 "

本书详细阐述了与移动设备机器学习相关的基本解决方案，主要包括面向移动设备的机器学习应用程序、监督学习和无监督学习算法、iOS上的随机森林、在Android中使用TensorFlow、在iOS中使用CoreML进行回归、MLKitSDK、垃圾邮件检测、Fritz、移动设备上的神经网络、使用GoogleCloudVision的移动应用程序、移动应用程序上机器学习的未来等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。

第1章 面向移动设备的机器学习应用程序 1
1.1 机器学习的定义 2
1.2 机器学习过程 4
1.2.1 定义机器学习问题 5
1.2.2 准备数据 5
1.2.3 建立模型 7
1.2.4 进行预测/现场部署 10
1.3 学习类型 10
1.3.1 监督学习 10
1.3.2 无监督学习 12
1.3.3 半监督学习 14
1.3.4 强化学习 15
1.3.5 机器学习的挑战 16
1.4 在移动设备上进行机器学习 17
1.4.1 在移动应用程序中实现机器学习的方法 18
1.4.2 流行的移动机器学习工具和SDK 26
1.4.3 实现移动设备上机器学习应用程序所需的技能 27
1.5 小结 28
第2章 监督学习和无监督学习算法 29
2.1 监督学习算法简介 29
2.2 深入研究监督学习算法 30
2.2.1 朴素贝叶斯 32
2.2.2 决策树 34
2.2.3 线性回归 35
2.2.4 逻辑回归 36
2.2.5 支持向量机 38
2.2.6 随机森林 40
2.3 无监督学习算法简介 41
2.4 深入研究无监督学习算法 42
2.4.1 聚类算法 43
2.4.2 关联规则学习算法 45
2.5 小结 46
2.6 参考文献 46
第3章 iOS上的随机森林 47
3.1 算法简介 47
3.1.1 决策树 47
3.1.2 随机森林 50
3.2 在Core ML中使用随机森林解决问题 52
3.2.1 数据集 52
3.2.2 技术要求 53
3.2.3 使用scikit-learn创建模型文件 54
3.2.4 将scikit模型转换为Core ML模型 56
3.2.5 使用Core ML模型创建iOS移动应用程序 57
3.3 小结 60
3.4 深入阅读 60
第4章 在Android中使用TensorFlow 61
4.1 关于TensorFlow 61
4.2 移动机器学习应用程序的体系结构 64
4.3 使用TensorFlow模型编写移动应用程序 68
4.3.1 编写第一个程序 68
4.3.2 创建Android应用程序 71
4.4 小结 76
第5章 在iOS中使用Core ML进行回归 77
5.1 回归简介 77
5.2 了解Core ML的基础 81
5.3 在Core ML中使用回归解决问题 84
5.3.1 技术要求 84
5.3.2 如何使用scikit-learn创建模型文件 84
5.3.3 运行和测试模型 87
5.3.4 将模型导入iOS项目 88
5.3.5 编写iOS应用程序 88
5.3.6 运行iOS应用程序 90
5.4 深入阅读 90
5.5 小结 91
第6章 ML Kit SDK 93
6.1 理解ML Kit 93
6.2 使用Firebase设备上的API创建文本识别应用 97
6.3 使用Firebase云端API创建文本识别应用 103
6.4 使用ML Kit进行人脸检测 106
6.4.1 人脸检测概念 106
6.4.2 使用ML Kit进行脸部检测的示例解决方案 107
6.4.3 运行应用程序 109
6.5 小结 110
第7章 垃圾邮件检测 111
7.1 理解NLP 111
7.1.1 关于NLP 111
7.1.2 文本预处理技术 113
7.1.3 特征工程 114
7.1.4 分类/聚类文本 115
7.2 理解线性SVM算法 115
7.3 在Core ML中使用线性SVM解决问题 117
7.3.1 关于数据 117
7.3.2 技术要求 118
7.3.3 使用Scikit Learn创建模型文件 118
7.3.4 将scikit-learn模型转换为Core ML模型 119
7.3.5 编写iOS应用程序 120
7.4 小结 124
第8章 Fritz 125
8.1 关于Fritz 126
8.1.1 预建机器学习模型 126
8.1.2 使用自定义模型的能力 126
8.1.3 模型管理 126
8.2 使用Fritz的实战示例 127
8.2.1 通过Fritz使用现有的TensorFlow for mobile模型 127
8.2.2 使用Fritz预制模型创建Android应用程序 138
8.2.3 在使用Fritz的iOS应用程序中使用现有的Core ML模型 145
8.3 小结 150
第9章 移动设备上的神经网络 151
9.1 神经网络介绍 151
9.1.1 神经元的通信步骤 151
9.1.2 激活函数 152
9.1.3 神经元的排列 153
9.1.4 神经网络的类型 154
9.2 图像识别解决方案 154
9.3 创建TensorFlow图像识别模型 154
9.3.1 关于TensorFlow的作用 155
9.3.2 重新训练模型 156
9.3.3 将TensorFlow模型转换为Core ML模型 161
9.3.4 编写iOS移动应用程序 165
9.4 手写数字识别解决方案 168
9.5 关于Keras 169
9.6 安装Keras 169
9.7 求解问题 169
9.7.1 定义问题陈述 170
9.7.2 问题方案 171
9.8 小结 180
第10章 使用Google Cloud Vision的移动应用程序 181
10.1 关于Google Cloud Vision的功能 181
10.2 使用Google Cloud Vision的示例移动应用程序 182
10.2.1 标签检测的工作原理 182
10.2.2 先决条件 183
10.2.3 准备工作 184
10.2.4 理解应用 185
10.2.5 输出 186
10.3 小结 187
第11章 移动应用程序上机器学习的未来 189
11.1 主要的机器学习移动应用程序 189
11.1.1 Facebook 190
11.1.2 Google Maps 190
11.1.3 Snapchat 190
11.1.4 Tinder 190
11.1.5 Netflix 190
11.1.6 Oval Money 191
11.1.7 ImprompDo 191
11.1.8 Dango 191
11.1.9 Carat 191
11.1.10 Uber 191
11.1.11 GBoard 191
11.2 主要创新领域 191
11.2.1 个性化应用 192
11.2.2 卫生保健 192
11.2.3 有针对性的促销和营销 192
11.2.4 视听识别 192
11.2.5 电子商务 192
11.2.6 财务管理 193
11.2.7 游戏与娱乐 193
11.2.8 企业应用 193
11.2.9 房地产 194
11.2.10 农业 194
11.2.11 能源 194
11.2.12 移动安全 195
11.3 利益相关者的机会 195
11.3.1 硬件制造商 195
11.3.2 移动操作系统供应商 196
11.3.3 第三方移动机器学习 SDK提供商 196
11.3.4 机器学习移动应用程序开发人员 196
11.4 小结 197
附录A 问题与答案 199
A.1 常见问题解答 199
A.1.1 数据科学 199
A.1.2 机器学习框架 201
A.1.3 移动机器学习项目实现 204
A.1.4 安装 206
A.2 参考文献 207