书籍摘要

《Low-Code AI》是一本面向技术从业者、数据分析师及对机器学习（ML）和人工智能（AI）感兴趣的读者的实用指南。本书由Gwendolyn Stripling和Michael Abel合著，2023年由O’Reilly Media出版。书中通过项目驱动的方式，详细介绍了如何利用低代码和无代码（No-Code）工具快速构建、训练和部署机器学习模型，旨在帮助读者在没有深厚编程背景的情况下，快速掌握AI技术的应用。

内容结构

第一部分：基础与入门

• 第1章：机器学习中的数据驱动决策
  • 介绍数据在企业决策中的角色及机器学习工作流程，通过案例展示如何定义业务目标、收集和预处理数据。
• 第2章：数据是第一步
  • 提供书中用到的数据集概览，介绍数据类型、批处理与流处理的区别，并通过Google Colab和GitHub实践数据预处理。

第二部分：无代码和低代码机器学习

• 第3章：机器学习库和框架
  • 介绍无代码AutoML工具，通过案例展示如何使用Google Vertex AI等工具快速训练和部署模型。
• 第4章：使用AutoML预测广告媒体渠道销售
  • 通过广告销售预测案例，展示如何使用AutoML工具进行数据探索、模型训练和部署，并评估模型性能。
• 第5章：使用AutoML检测欺诈交易
  • 通过金融欺诈检测案例，深入讨论分类模型及其评估指标，如精确率、召回率等，并使用AutoML训练分类模型。

第三部分：低代码机器学习实践

• 第6章：使用BigQuery ML训练线性回归模型
  • 介绍如何使用Google BigQuery ML进行数据探索、特征选择，并训练线性回归和神经网络模型。
• 第7章：训练自定义机器学习模型
  • 展示如何使用Python中的scikit-learn和Keras构建分类模型，涵盖数据预处理、特征工程和模型性能优化。
• 第8章：改进自定义模型性能
  • 以二手车拍卖价格预测为例，探讨如何通过特征工程和超参数调优提升模型性能，包括在BigQuery ML、scikit-learn和Keras中的实现。

第四部分：拓展与深化

• 第9章：AI之旅的下一步
  • 探讨数据科学的深入方向，如非结构化数据处理、生成式AI、可解释AI和机器学习运维（MLOps）等，并提供进一步学习资源。

主要特色

• 项目驱动：通过八个行业实际案例（涵盖医疗、能源、金融等领域），让读者在实践中学习。
• 工具实用：重点介绍Google Vertex AI、BigQuery ML等云服务工具的使用，降低学习难度。
• 低代码平台：强调低代码和无代码工具的优势，使非技术背景的读者也能快速上手。
• 零基础友好：假设读者无机器学习背景，逐步引导读者从数据预处理到模型部署的全过程。

总结

《Low-Code AI》是一本适合希望快速掌握机器学习应用的读者的书籍。它不仅提供了丰富的实践案例，还详细介绍了如何利用现代云服务和低代码工具快速构建和部署模型。通过阅读本书，读者可以在短时间内将机器学习应用于实际业务问题，开启AI应用之旅。