下载地址：

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。

赞誉

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 人工智能定义1

1.1.2 弱人工智能、强人工智能与超人工智能2

1.1.3 人工智能三大主义3

1.1.4 机器学习与深度学习4

1.2 人工智能发展历程5

1.3 深度学习的崛起之路7

1.3.1 人脸识别的起源7

1.3.2 自动驾驶的福音7

1.3.3 超越人类的AI智能体8

1.3.4 懂你的AI8

1.3.5 奔跑、飞行以及玩游戏的AI8

1.3.6 人人都可以创造属于自己的AI8

1.4 深度学习的发展9

1.4.1 计算机视觉9

1.4.2 自然语言处理10

1.4.3 语音识别11

1.5 下一代人工智能11

1.6 参考文献13

第2章 自动化人工智能14

2.1 AutoML概述14

2.1.1 什么是自动化14

2.1.2 AutoML的起源与发展15

2.2 AutoML的研究意义17

2.2.1 AutoML的研究动机17

2.2.2 AutoML的意义和作用18

2.3 现有AutoML平台产品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 参考文献31

第3章 机器学习概述32

3.1 机器学习的发展32

3.1.1 “机器学习”名字的由来32

3.1.2 “机器学习”的前世今生33

3.1.3 “机器学习”的理论基础34

3.2 机器学习的实现方法36

3.2.1 分类问题36

3.2.2 回归问题38

3.2.3 聚类问题39

3.3 自动化机器学习40

3.3.1 机器学习面临的问题40

3.3.2 为什么会产生AutoML41

3.4 参考文献41

第4章 自动化特征工程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 特征工程处理方法45

4.2.1 特征选择45

4.2.2 数据预处理47

4.2.3 特征压缩48

4.3 手工特征工程存在的问题49

4.4 自动化特征工程50

4.4.1 什么是自动化特征工程50

4.4.2 机器学习和深度学习的特征工程51

4.5 自动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自动特征提取52

4.5.3 基于时序数据的自动化特征工程56

4.6 自动化特征工程工具67

4.6.1 自动化特征工程系统67

4.6.2 自动化特征工程平台71

4.7 参考文献75

第5章 自动化模型选择76

5.1 模型选择76

5.2 自动化模型选择77

5.2.1 基于贝叶斯优化的自动化模型选择78

5.2.2 基于进化算法的自动化模型选择84

5.2.3 分布式自动化模型选择86

5.2.4 自动化模型选择的相关平台92

5.3 自动集成学习94

5.3.1 集成学习基础94

5.3.2 集成学习之结合策略97

5.3.3 自动化模型集成98

5.4 参考文献99

第6章 自动化超参优化101

6.1 概述101

6.1.1 问题定义103

6.1.2 搜索空间103

6.1.3 搜索策略103

6.1.4 评价预估104

6.1.5 经验迁移加速105

6.2 基本方法105

6.2.1 网格搜索105

6.2.2 随机搜索105

6.3 基于模型的序列超参优化106

6.3.1 代理模型的选择108

6.3.2 代理模型的更新108

6.3.3 新超参组的选择109

6.3.4 基于高斯过程回归的序列超参优化111

6.3.5 基于随机森林算法代理的序列超参优化112

6.3.6 基于TPE算法的序列超参优化114

6.3.7 SMBO的进阶技巧114

6.4 基于进化算法的自动化超参优化115

6.4.1 基于进化策略的自动化超参优化115

6.4.2 基于粒子群算法的自动化超参优化116

6.5 基于迁移学习的超参优化加速方法117

6.5.1 经验迁移机制117

6.5.2 经验迁移衰退机制117

6.5.3 经验迁移权重机制117

6.5.4 优化过程的试点机制118

6.6 参考文献118

第7章 深度学习基础120

7.1 深度学习简介120

7.1.1 什么是神经元120

7.1.2 人工神经网络的发展历程121

7.1.3 深度学习方法123

7.2 卷积神经网络简介123

7.2.1 卷积层123

7.2.2 池化层125

7.2.3 全连接层126

7.3 CNN经典模型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 循环神经网络132

7.4.1 基本循环神经模型132

7.4.2 LSTM模型133

7.4.3 GRU模型134

7.5 参考文献134

第8章 自动化深度学习概述136

8.1 深度学习vs自动化深度学习136

8.2 什么是NAS136

8.2.1 问题定义137

8.2.2 搜索策略139

8.2.3 加速方案140

8.3 NAS方法分类140

第9章 基于强化学习的AutoDL142

9.1 强化学习基础142

9.1.1 强化学习简介142

9.1.2 基本要素及问题定义144

9.1.3 发展历史144

9.1.4 基本方法146

9.2 两类基本模型147

9.2.1 TD经典算法148

9.2.2 DQN系列算法149

9.2.3 策略梯度算法152

9.3 强化学习之Actor-Critic系列154

9.3.1 Actor-Critic算法154

9.3.2 确定性策略梯度155

9.3.3 深度确定性策略梯度157

9.3.4 异步优势Actor-Critic算法158

9.3.5 近端策略优化160

9.3.6 分布式近端策略优化164

9.4 基于强化学习的自动搜索166

9.5 基本搜索方法166

9.5.1 基于层的搜索166

9.5.2 基于块的搜索169

9.5.3 基于连接的搜索171

9.6 进阶搜索方法173

9.6.1 逆强化学习173

9.6.2 图超网络174

9.6.3 蒙特卡洛树搜索175

9.6.4 知识提炼（教师网络）177

9.7 参考文献179

第10章 基于进化算法的AutoDL181

10.1 启发式算法181

10.1.1 随机搜索182

10.1.2 近邻搜索183

10.1.3 进化计算187

10.1.4 启发式算法的局限性189

10.2 初代进化算法190

10.2.1 基本术语190

10.2.2 基础算子191

10.2.3 遗传算法196

10.2.4 进化策略198

10.2.5 进化规划199

10.3 其他近代进化算法200

10.3.1 遗传编程算法簇200

10.3.2 群体算法—以PSO为例205

10.3.3 文化基因算法207

10.3.4 差分进化算法208

10.3.5 分布估计算法208

10.4 进化神经网络209

10.4.1 简介209

10.4.2 神经网络编码方式210

10.4.3 竞争约定211

10.4.4 网络结构的创新性212

10.4.5 NAS之进化算法212

10.5 细粒度的神经进化（NEAT算法）213

10.5.1 基因编码214

10.5.2 基因的可追溯性216

10.5.3 通过物种形成保护创新结构216

10.6 粗粒度的神经进化（CoDeep-NEAT算法）218

10.6.1 DeepNEAT算法218

10.6.2 CoDeepNEAT算法219

10.7 block-level的进化220

10.7.1 Genetic