機器學習測試入門與實踐

目 錄
第　一部分 基礎知識

第　1 章 機器學習的發(fā)展和應用　2
1.1　什么是機器學習　2
1.2　機器學習的發(fā)展　3
1.3　機器學習的應用　5
1.3.1　數(shù)據(jù)挖掘　5
1.3.2　人臉檢測　6
1.3.3　人機對弈　7
1.3.4　機器翻譯　7
1.3.5　自動駕駛　7
1.3.6　其他應用　8
1.4　本章小結　8
第　2 章 Python 編程基礎　9
2.1　Python 概述　9
2.2　Python 平臺搭建　9
2.2.1　Python 環(huán)境部署　9
2.2.2　Python 運行方式　12
2.3　Python 語法基礎　14
2.3.1　Python 編程規(guī)范　14
2.3.2　基本數(shù)據(jù)類型　15
2.3.3　Python 編程基礎　18
2.3.4　模塊和包　21
2.3.5　文件操作　22
2.4　本章小結　23
第　3 章 數(shù)據(jù)分析基礎　24
3.1　數(shù)據(jù)分析概述　24
3.1.1　什么是數(shù)據(jù)分析　24
3.1.2　數(shù)據(jù)分析的步驟　24
3.1.3　常用的數(shù)據(jù)分析策略　26
3.1.4　數(shù)據(jù)分析方法　27
3.1.5　數(shù)據(jù)分析工具　28
3.2　Python 中常用的數(shù)據(jù)分析庫　29
3.2.1　Numpy　29
3.2.2　Pandas　33
3.2.3　Matplotlib　37
3.2.4　SciPy　39
3.3　利用 Python 進行數(shù)據(jù)分析　42
3.3.1　數(shù)據(jù)加載、存儲　42
3.3.2　數(shù)據(jù)清洗和準備　46
3.3.3　數(shù)據(jù)規(guī)整　54
3.3.4　數(shù)據(jù)可視化　61
3.3.5　數(shù)據(jù)分組和聚合　64
3.3.6　數(shù)據(jù)分析案例　70
3.4　本章小結　77

第　4 章 機器學習基礎　78
4.1　機器學習簡介　78
4.1.1　機器學習中的基本概念　78
4.1.2　機器學習分類及訓練方式　79
4.1.3　機器學習三要素　81
4.2　機器學習庫　83
4.2.1　Scikit-learn　83
4.2.2　StatsModels　87
4.3　機器學習算法　89
4.3.1　回歸算法　89
4.3.2　支持向量機　91
4.3.3　決策樹　92
4.3.4　聚類　94
4.3.5　降維　100
4.3.6　集成學習　102
4.3.7　神經(jīng)網(wǎng)絡　106
4.3.8　常用模型的特點和應用場景　109
4.4　本章小結　111

第二部分　大數(shù)據(jù)測試
第　5 章 大數(shù)據(jù)基礎　114
5.1　什么是大數(shù)據(jù)　114
5.2　Hadoop 生態(tài)系統(tǒng)　115
5.2.1　HDFS　116
5.2.2　MapReduce　118
5.2.3　Hive　121
5.2.4　HBase　124
5.2.5　Storm、Spark 和 Flink　131
5.3　數(shù)據(jù)倉庫與 ETL 流程　133
5.3.1　什么是 ETL　133
5.3.2　什么是數(shù)據(jù)倉庫　134
5.3.3　數(shù)據(jù)倉庫的架構　135
5.4　本章小結　136

第　6 章 大數(shù)據(jù)測試指南　137
6.1　大數(shù)據(jù)測試概述　137
6.1.1　什么是大數(shù)據(jù)測試　137
6.1.2　大數(shù)據(jù)測試與傳統(tǒng)數(shù)據(jù)測試差異　138
6.2　大數(shù)據(jù) ETL 測試　139
6.2.1　ETL 測試流程　139
6.2.2　ETL 測試方法　140
6.2.3　ETL 測試場景　143
6.3　本章小結　147
第　7 章 大數(shù)據(jù)工具實踐　148
7.1　大數(shù)據(jù)測試工具　148
7.1.1　大數(shù)據(jù)測試的痛點　148
7.1.2　大數(shù)據(jù)測試工具 easy_data_test 的設計　149
7.1.3　大數(shù)據(jù)測試工具 easy_data_test 的使用　152
7.1.4　大數(shù)據(jù)測試工具展望　157
7.2　數(shù)據(jù)質量監(jiān)控平臺157
7.2.1　數(shù)據(jù)質量把控環(huán)節(jié)　158
7.2.2　數(shù)據(jù)質量評估要點　158
7.2.3　數(shù)據(jù)質量監(jiān)控平臺設計　159
7.3　數(shù)據(jù)調(diào)度平臺　163
7.3.1　調(diào)度系統(tǒng)概述　163
7.3.2　Azkaban 概述　163
7.3.3　Azkaban 實踐　164
7.4　本章小結　168

第三部分　模型測試

第　8 章 機器學習測試基礎　170
8.1　機器學習生命周期　170
8.2　機器學習測試難點　173
8.3　機器學習測試重點　174
8.4　模型工程服務測試　176
8.4.1　單元測試　177
8.4.2　集成測試　178
8.4.3　系統(tǒng)測試　179
8.5　A/B 測 試　180
8.5.1　A/B 測 試　180
8.5.2　做 A/B 測試的原因　181
8.5.3　A/B 測試在機器學習模型中的應用　181
8.6　本章小結　182
　第 9 章 特征專項測試　184
9.1　特征工程簡介　184
9.1.1　數(shù)據(jù)探索　184
9.1.2　數(shù)據(jù)預處理　185
9.1.3　特征構建　190
9.1.4　特征選擇　190
9.2　特征測試方法　191
9.2.1　特征指標分析　191
9.2.2　特征穩(wěn)定性測試　198
9.3　特征測試實踐　199
9.3.1　特征指標分析實踐　199
9.3.2　特征可視化實踐　203
9.3.3　特征穩(wěn)定性測試實踐　207
9.3.4　特征監(jiān)控實踐　211
9.4　本章小結　212
第　10 章 模型算法評估測試　213
10.1　模型算法評估基礎　213
10.1.1　模型算法評估概述　213
10.1.2　樣本數(shù)據(jù)劃分策略　214
10.1.3　統(tǒng)計學指標與統(tǒng)計圖　216
10.1.4　模型算法評估指標　217
10.2　模型算法的測試方法　223
10.2.1　模型蛻變測試　223
10.2.2　模型模糊測試　226
10.2.3　模型魯棒性測試　227
10.2.4　模型安全測試　229
10.2.5　模型可解釋性測試　230
10.2.6　模型在線測試　233
10.2.7　模型監(jiān)控與迭代　234
10.3　不同應用場景下模型算法的評測　235
10.3.1　圖像分類應用場景下的模型算法評測　235
10.3.2　推薦應用場景下的模型算法評測　236
10.3.3　金融風控應用場景下的模型算法評測　239
10.4　本章小結　241
第四部分　模型工程
第　11 章 模型評估平臺實踐　244
11.1　模型評估平臺背景　244
11.2　模型評估平臺的設計　245
11.2.1　平臺需求分析　245
11.2.2　平臺架構設計　246
11.3　模型評估平臺展示　253
11.3.1　模型配置規(guī)則　253
11.3.2　模型評估指標　255
11.3.3　模型評估報告　261
11.4　模型評估平臺總結　263
11.4.1　回 顧　264
11.4.2　展 望　265
11.5　本章小結　266
第　12 章 機器學習工程技術　267
12.1　機器學習平臺概述　267
12.1.1　機器學習平臺發(fā)展歷程　267
12.1.2　主流的機器學習平臺　269
12.1.3　機器學習平臺的建設　270
12.2　數(shù)據(jù)與建模工程技術　272
12.2.1　數(shù)據(jù)采集　272
12.2.2　數(shù)據(jù)存儲　272
12.2.3　數(shù)據(jù)加工　273
12.2.4　樣本數(shù)據(jù)　274
12.2.5　特征工程　275
12.2.6　模型構建　275
12.3　模型部署工程技術　279
12.3.1　模型部署概述　279
12.3.2　模型發(fā)布方式　279
12.3.3　模型線上監(jiān)控　284
12.4　本章小結　286
第　13 章 機器學習的持續(xù)交付　287
13.1　機器學習持續(xù)交付的介紹與定義　287
13.1.1　持續(xù)交付　287
13.1.2　機器學習持續(xù)交付的定義　289
13.2　機器學習持續(xù)交付的主要挑戰(zhàn)　290
13.2.1　組織流程的挑戰(zhàn)　290
13.2.2　復雜技術的挑戰(zhàn)　292
13.3　如何構建機器學習管道　292
13.3.1　機器學習管道概述　293
13.3.2　構建機器學習管道　293
13.3.3　Pipeline（管道）設計的關注點　307
13.3.4　Pipeline 的技術組件　307
13.4　本章小結　309
第五部分　AI In Test
第　14 章 AI 在測試領域的探索與實踐　312
14.1　測試發(fā)展面臨的挑戰(zhàn)　312
14.2　AI 在測試領域的應用及優(yōu)勢　313
14.3　業(yè)界智能化測試案例介紹　314
14.3.1　AI 在測試效能方面的探索　315
14.3.2　AI 在自動化測試方面的實踐　317
14.4　主流AI 測試工具簡介　320

14.5　本章小結　322
第　15 章 AI 時代測試工程師的未來　324
15.1　AI 對測試未來發(fā)展的影響　324
15.2　AI 時代測試工程師的定位　325
15.3　測試工程師的AI 學習路線　326
15.4　本章小結　328
參考文獻　329