导语

  

内容提要

  

    本书全面且系统地介绍了机器学习测试技术与质量体系建设，分为5部分，共15章。第一部分（第1～4章）涵盖了机器学习、Python编程、数据分析的基础知识；第二部分（第5～7章）介绍了大数据基础、大数据测试指南及相关工具实践；第三部分（第8～10章）讲解了机器学习测试基础、特征专项测试及模型算法评估测试；第四部分（第11～13章）介绍了模型评估平台实践、机器学习工程技术及机器学习的持续交付流程；第五部分（第14章和第15章）探讨了AI（Artificial Intelligence）在测试领域的实践及AI时代测试工程师的未来。
    本书能够帮助读者了解机器学习是如何工作的，了解机器学习的质量保障是如何进行的。工程开发人员和测试工程师通过阅读本书，可以系统化地了解大数据测试、特征测试及模型评估等知识；算法工程师通过阅读本书，可以学习模型评测的方法和拓宽模型工程实践的思路；技术专家和技术管理者通过阅读本书，可以了解机器学习质量保障与工程效能的建设方案。

    艾辉，中国人民大学统计学院硕士，融360高级技术经理。主要负责机器学习产品的质量保障工作，曾在饿了么公司担任高级技术经理，负责用户产品、新零售产品的质量保障工作。有8年多的测试开发工作经验，曾多次受邀在行业技术大会（如MTSC、GlTC、NCTS、TOP100、TiD、A2M等）上做主题分享。对大数据、机器学习测试技术有深刻的理解，并长期专注于质量保障与工程效能研究。

第一部分  基础知识
第1章  机器学习的发展和应用
  1.1  什么是机器学习
  1.2  机器学习的发展
  1.3  机器学习的应用
    1.3.1  数据挖掘
    1.3.2  人脸检测
    1.3.3  人机对弈
    1.3.4  机器翻译
    1.3.5  自动驾驶
    1.3.6  其他应用
  1.4  本章小结
第2章  Python 编程基础
  2.1  Python 概述
  2.2  Python 平台搭建
    2.2.1  Python 环境部署
    2.2.2  Python 运行方式
  2.3  Python 语法基础
    2.3.1  Python 编程规范
    2.3.2  基本数据类型
    2.3.3  Python 编程基础
    2.3.4  模块和包
    2.3.5  文件操作
  2.4  本章小结
第3章  数据分析基础
  3.1  数据分析概述
    3.1.1  什么是数据分析
    3.1.2  数据分析的步骤
    3.1.3  常用的数据分析策略
    3.1.4  数据分析方法
    3.1.5  数据分析工具
  3.2  Python 中常用的数据分析库
    3.2.1  Numpy
    3.2.2  Pandas
    3.2.3  Matplotlib
    3.2.4  SciPy
  3.3  利用 Python 进行数据分析
    3.3.1  数据加载、存储
    3.3.2  数据清洗和准备
    3.3.3  数据规整
    3.3.4  数据可视化
    3.3.5  数据分组和聚合
    3.3.6  数据分析案例
  3.4  本章小结
第4章  机器学习基础
  4.1  机器学习简介
    4.1.1  机器学习中的基本概念
    4.1.2  机器学习分类及训练方式
    4.1.3  机器学习三要素
  4.2  机器学习库
    4.2.1  Scikit-learn
    4.2.2  StatsModels
  4.3  机器学习算法
    4.3.1  回归算法
    4.3.2  支持向量机
    4.3.3  决策树
    4.3.4  聚类
    4.3.5  降维
    4.3.6  集成学习
    4.3.7  神经网络
    4.3.8  常用模型的特点和应用场景
  4.4  本章小结
……
第二部分  大数据测试
第三部分  模型测试
第四部分  模型工程
第五部分  Al In Test