消息首页搜索举报

【全店正版】机器学习测试入门与实践（异步图书出品）(异步图书出品）

9787115544438

133.65 118.65 全新

库存599件

广东广州

认证卖家担保交易快速发货售后保障

作者艾辉

出版社人民邮电出版社

ISBN9787115544438

出版时间2020-10

装帧平装

开本16开

定价118.65元

货号10095387735030

上书时间2024-06-19

星筑图书专营店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 42小时
好评率暂无

最新上架

基因国度：基因网络如何改变生活 ¥38.50

2049年中国科技与社会愿景——核能技术与清洁能源 ¥59.10

了不起的工程师：跟随50位杰出的工程师发现人类智慧的结晶（精装彩图版）（精装典藏版） ¥77.10

DK有趣的科学系列：有趣的化学-这就是元素（精）暑假阅读暑假课外书课外暑假自主阅读暑期假期读物 [11-14岁] ¥59.20

目不斜视：小儿斜视弱视知多少 ¥39.00

答商：让你的回答更有价值 ¥40.80

牙齿这件小事：你一定想要的口腔医学知识扭蛋机 ¥41.10

至美邱园·馆藏手绘植物图谱（观赏类） ¥104.10

致富的起源 ¥35.70

商品详情

品相描述：全新

商品描述: 基本信息商品名：机器学习测试入门与实践（异步图书出品）(异步图书出品）ISBN：9787115544438定价：118出版社：□□邮电出版社作者：艾辉参考信息（以实物为准）出版时间：2020-10-01印刷时间：版次：1印次：包装：平装开本：16开用纸：胶版纸页数：字数：编辑推荐不同于市面上的机器学习书籍，本书是业界首部AI测试著作，填补了机器学习测试领域的空白。本书由知名技术专家艾辉领衔融360AI测试团队12位一线工程师联手倾心打造，耗时一年多时间。 1）精选15个AI测试要点，从零开始，全面了解机器学习测试。 2）涵盖5个技术主题，大数据、模型算法、模型评测、工程架构、智能化测试。 3）BAT等数十家一线互联网公司的32位知名专家联袂推荐。本书内容设计深入浅出，学习路线清晰，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。内容简介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。目录目录第　一部分基础知识第　1 章机器学习的发展和应用　2 1.1　什么是机器学习　2 1.2　机器学习的发展　3 1.3　机器学习的应用　5 1.3.1　数据挖掘　5 1.3.2　人脸检测　6 1.3.3　人机对弈　7 1.3.4　机器翻译　7 1.3.5　自动驾驶　7 1.3.6　其他应用　8 1.4　本章小结　8 第　2 章 Python 编程基础　9 2.1　Python 概述　9 2.2　Python 平台搭建　9 2.2.1　Python 环境部署　9 2.2.2　Python 运行方式　12 2.3　Python 语法基础　14 2.3.1　Python 编程规范　14 2.3.2　基本数据类型　15 2.3.3　Python 编程基础　18 2.3.4　模块和包　21 2.3.5　文件操作　22 2.4　本章小结　23 第　3 章数据分析基础　24 3.1　数据分析概述　24 3.1.1　什么是数据分析　24 3.1.2　数据分析的步骤　24 3.1.3　常用的数据分析策略　26 3.1.4　数据分析方法　27 3.1.5　数据分析工具　28 3.2　Python 中常用的数据分析库　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 进行数据分析　42 3.3.1　数据加载、存储　42 3.3.2　数据清洗和准备　46 3.3.3　数据规整　54 3.3.4　数据可视化　61 3.3.5　数据分组和聚合　64 3.3.6　数据分析案例　70 3.4　本章小结　77 第　4 章机器学习基础　78 4.1　机器学习简介　78 4.1.1　机器学习中的基本概念　78 4.1.2　机器学习分类及训练方式　79 4.1.3　机器学习三要素　81 4.2　机器学习库　83 4.2.1　Scikit-learn　83 4.2.2　StatsModels　87 4.3　机器学习算法　89 4.3.1　回归算法　89 4.3.2　支持向量机　91 4.3.3　决策树　92 4.3.4　聚类　94 4.3.5　降维　100 4.3.6　集成学习　102 4.3.7　神经网络　106 4.3.8　常用模型的特点和应用场景　109 4.4　本章小结　111 第二部分　大数据测试第　5 章大数据基础　114 5.1　什么是大数据　114 5.2　Hadoop 生态系统　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　数据仓库与 ETL 流程　133 5.3.1　什么是 ETL　133 5.3.2　什么是数据仓库　134 5.3.3　数据仓库的架构　135 5.4　本章小结　136 第　6 章大数据测试指南　137 6.1　大数据测试概述　137 6.1.1　什么是大数据测试　137 6.1.2　大数据测试与传统数据测试差异　138 6.2　大数据 ETL 测试　139 6.2.1　ETL 测试流程　139 6.2.2　ETL 测试方法　140 6.2.3　ETL 测试场景　143 6.3　本章小结　147 第　7 章大数据工具实践　148 7.1　大数据测试工具　148 7.1.1　大数据测试的痛点　148 7.1.2　大数据测试工具 easy_data_test 的设计　149 7.1.3　大数据测试工具 easy_data_test 的使用　152 7.1.4　大数据测试工具展望　157 7.2　数据质量监控平台157 7.2.1　数据质量把控环节　158 7.2.2　数据质量评估要点　158 7.2.3　数据质量监控平台设计　159 7.3　数据调度平台　163 7.3.1　调度系统概述　163 7.3.2　Azkaban 概述　163 7.3.3　Azkaban 实践　164 7.4　本章小结　168 第三部分　模型测试第　8 章机器学习测试基础　170 8.1　机器学习生命周期　170 8.2　机器学习测试难点　173 8.3　机器学习测试重点　174 8.4　模型工程服务测试　176 8.4.1　单元测试　177 8.4.2　集成测试　178 8.4.3　系统测试　179 8.5　A/B 测试　180 8.5.1　A/B 测试　180 8.5.2　做 A/B 测试的原因　181 8.5.3　A/B 测试在机器学习模型中的应用　181 8.6　本章小结　182 　第 9 章特征专项测试　184 9.1　特征工程简介　184 9.1.1　数据探索　184 9.1.2　数据预处理　185 9.1.3　特征构建　190 9.1.4　特征选择　190 9.2　特征测试方法　191 9.2.1　特征指标分析　191 9.2.2　特征稳定性测试　198 9.3　特征测试实践　199 9.3.1　特征指标分析实践　199 9.3.2　特征可视化实践　203 9.3.3　特征稳定性测试实践　207 9.3.4　特征监控实践　211 9.4　本章小结　212 第　10 章模型算法评估测试　213 10.1　模型算法评估基础　213 10.1.1　模型算法评估概述　213 10.1.2　样本数据划分策略　214 10.1.3　统计学指标与统计图　216 10.1.4　模型算法评估指标　217 10.2　模型算法的测试方法　223 10.2.1　模型蜕□测试　223 10.2.2　模型模糊测试　226 10.2.3　模型鲁棒性测试　227 10.2.4　模型安全测试　229 10.2.5　模型可解释性测试　230 10.2.6　模型在线测试　233 10.2.7　模型监控与迭代　234 10.3　不同应用场景下模型算法的评测　235 10.3.1　图像分类应用场景下的模型算法评测　235 10.3.2　推荐应用场景下的模型算法评测　236 10.3.3　金融风控应用场景下的模型算法评测　239 10.4　本章小结　241 第四部分　模型工程第　11 章模型评估平台实践　244 11.1　模型评估平台背景　244 11.2　模型评估平台的设计　245 11.2.1　平台需求分析　245 11.2.2　平台架构设计　246 11.3　模型评估平台展示　253 11.3.1　模型配置规则　253 11.3.2　模型评估指标　255 11.3.3　模型评估报告　261 11.4　模型评估平台总结　263 11.4.1　回顾　264 11.4.2　展望　265 11.5　本章小结　266 第　12 章机器学习工程技术　267 12.1　机器学习平台概述　267 12.1.1　机器学习平台发展历程　267 12.1.2　主流的机器学习平台　269 12.1.3　机器学习平台的建设　270 12.2　数据与建模工程技术　272 12.2.1　数据采集　272 12.2.2　数据存储　272 12.2.3　数据加工　273 12.2.4　样本数据　274 12.2.5　特征工程　275 12.2.6　模型构建　275 12.3　模型部署工程技术　279 12.3.1　模型部署概述　279 12.3.2　模型发布方式　279 12.3.3　模型线上监控　284 12.4　本章小结　286 第　13 章机器学习的持续交付　287 13.1　机器学习持续交付的介绍与定义　287 13.1.1　持续交付　287 13.1.2　机器学习持续交付的定义　289 13.2　机器学习持续交付的主要挑战　290 13.2.1　组织流程的挑战　290 13.2.2　复杂技术的挑战　292 13.3　如何构建机器学习管道　292 13.3.1　机器学习管道概述　293 13.3.2　构建机器学习管道　293 13.3.3　Pipeline（管道）设计的关注点　307 13.3.4　Pipeline 的技术组件　307 13.4　本章小结　309 第五部分　AI In Test 第　14 章 AI 在测试领域的探索与实践　312 14.1　测试发展面临的挑战　312 14.2　AI 在测试领域的应用及优势　313 14.3　业界智能化测试案例介绍　314 14.3.1　AI 在测试效能方面的探索　315 14.3.2　AI 在自动化测试方面的实践　317 14.4　主流AI 测试工具简介　320 14.5　本章小结　322 第　15 章 AI 时代测试工程师的未来　324 15.1　AI 对测试未来发展的影响　324 15.2　AI 时代测试工程师的定位　325 15.3　测试工程师的AI 学习路线　326 15.4　本章小结　328 参考文献　329 作者简介艾辉，中国□□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、GITC、NCTS、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。陈高飞，东北大学计算机硕士，融 360 测试开发工程师。主要从事机器学习方面的测试开发工作。擅长白盒测试、大数据测试和模型测试，在工具平台开发方面有丰富的实践经验。陈花，北京邮电大学信息通信工程学院硕士，融 360 高级测试开发工程师。主要从事服务器端测试开发工作，主导过多个大型项目的测试。擅长白盒测试、安全测试、自动化测试及工具开发。方娟红，东北大学计算机硕士，融 360 测试开发工程师。主要从事服务器端测试开发工作。在企业级应用的测试和开发方面有着丰富的实践经验。郭学敏，西安电子科技大学电子工程学院硕士，融 360 测试开发工程师。主要负责机器学习方面的测试开发工作，主导过多个大型项目的测试。擅长大数据测试、特征分析与模型评估，且在特征工程测试方面有着丰富的实践经验。郝嵘，北京信息科技大学自动化学院硕士，融 360 测试开发工程师。从事 Python 开发、机器学习测试、大数据测试工作多年，在大数据的质量保障及测试工具开发方面有着丰富的实践经验。雷天鸣，哈尔滨理工大学计算机科学与技术系硕士，融 360 测试开发工程师。主要从事机器学习方向的测试开发工作。擅长大数据测试、特征测试及模型算法评测等，且对金融风控业务有深刻的理解。李曼曼，融 360 高级测试开发工程师。有近 10 年测试领域从业经验，擅长白盒测试、性能测试、自动化测试、持续集成及工程效能。在 AI 测试方面有一定的探索实践。李雪，西安电子科技大学通信工程硕士，融 360 测试开发工程师。主要从事平台及机器学习方面的测试开发工作。擅长自动化测试、性能测试及安全测试，且对特征测试分析有着丰富的实践经验。孙金娟，山西财经大学计算机科学与技术专业学士，融 360 测试开发工程师。有近 8 年 Java 开发、测试开发工作经验，擅长大数据测试及工具平台开发。张海霞，中国□□大学统计学院硕士，融 360 高级测试开发工程师。有近 7 年测试领域从业经验，擅长白盒测试、性能测试及自动化测试。在测试平台开发方面有着丰富的实践经验，且对数据挖掘技术有扎实的实践积累。张咪，北京交通大学通信学院硕士，融 360 高级测试开发工程师。主要负责用户产品的质量保障工作。曾负责基础架构、运维自动化等方面的测试、开发工作。在自动化测试、服务稳定性、专项测试、工程效能等方面有着丰富的实践经验，且对机器学习工程技术有深刻的理解。张朋周，中国地质大学计算机硕士，融 360 高级测试开发工程师。曾在RAISECOM 和百度从事测试开发工作，有近 8 年的测试工作经验。目前主要负责机器学习方面的测试开发工作，主导了多个工具平台的开发，在模型评估平台方面有着丰富的实践经验。精彩书评本书主要聚焦机器学习领域，机器学习是人工智能算法的核心，书中内容均是融360 AI测试团队在机器学习测试方面的实践和经验积累。希望通过这种有效的分享和学习，可以更好地促进人工智能领域的技术交流，让思想在碰撞中迸出更多火花。 ——融360联合创始人、CEO 叶大清不同于传统的机器学习相关理论的教科书，本书视角新颖，从QA的角度阐述了机器学习产品的质量保障与工程效能，并侧重于机器学习测试方法如何在真实业务场景的落地。书籍内容丰富，章节设计循序渐进(机器学习、数据质量、模型评测、模型工程、智能测试)，内容讲解通俗易懂，并列举了大量真实案例(如：金融风控、智能推荐、图像分类等)，希望有助于读者学习、理解。 ——融360联合创始人、CTO 刘曹峰闻道有先后，希望更多有志于精湛机器学习技术，完善机器学习方法的工程师能更早地看到这本书，从中获得体系化的总结，体悟作者的经验之谈，感受术业有专攻的进阶之路，并能应用到日常工作中，也都成为所在领域的技术专家。 ——□□□□本地生活高级科学家蒋凡今天很高兴有这样一本书，告诉我们如何针对智能系统进行测试。例如，特征专项测试和模型算法评估测试。这方面的测试，也是人工智能测试的核心，也是本书关键的内容，分别讨论了模型蜕□测试、模糊测试、鲁棒性测试、可解释性测试等，其中还通过图像分类、智能推荐、金融风控等三个典型的业务场景中的模型算法评测实践，就这部分内容做更为详细的分析和解读，更好地让读者理解模型算法评测方法、流程和具体操作。 ——同济大学特聘教授、《全程软件测试》作者朱少民机器学习测试不仅涵盖了传统测试人员关注的系统稳定性、功能正确性、吞吐量等问题，而且需要覆盖算法工程师关心的数据的准确性、模型精度、模型的线下计算和线上计算一致性等问题。本书介绍了作者在机器学习测试方面的实战技术，非常适合对机器学习测试感兴趣的读者阅读。 ——邹宇，携程大数据与 AI 应用研发部负责人、VP 本书内容丰富、案例翔实，不仅阐述了数据分析、机器学习、大数据等基础知识，还对模型算法评估、特征测试分析、模型工程平台等做了原理讲解和案例分析。本书通俗易懂，具有很强的实用性，非常适合希望入门机器学习、大数据测试的读者阅读。 ——沈剑，快狗打车 CTO、公众号“架构师之路”作者在人工智能应用快速普及的当下，如何对机器学习进行测试？怎样衡量人工智能应用的“智商”？如何评估数据质量和模型精度？本书对这些问题都给出了解答。 ——史海峰，贝壳金服 2B2C CTO、公众号“IT 民工闲话”作者机器学习测试是一个较新的方向，测试体系建设尚在逐步完善的阶段。本书系统地介绍了机器学习测试的技术，并对机器学习模型与工程化测试等做了细致的介绍，为 AI 测试工程师指明了学习路线。读完本书读者必定会对 AI 测试工作有更加全面的了解，并能拓展视野和进行项目实战。 ——徐明泉，顺丰同城科技人工智能中心负责人随着大数据和人工智能的发展与普及，基于机器学习的解决方案在业务问题的建模和优化中发挥的作用越来越大，与机器学习相关的数据准确性和模型精度的测试也更加重要。与工程架构和产品功能的测试相比，非线性、敏感性导致机器学习模型的测试工作难度更大。作者把自己在相关领域的长期实践经验做了总结并以书的形式呈现出来，对测试人员有很好的启发和借鉴意义。 ——闫奎名，滴滴高级算法专家做机器学习应用的公司很多，而专门做机器学习测试的团队凤毛麟角。艾辉和他带领的融360 AI 测试团队把他们在机器学习测试方面的一线实战经验沉淀成书，在当下显得难能可贵。在人工智能应用正在爆发的今天，一本专门讲述机器学习测试技术的书的出现恰逢其时，所有渴望拥抱人工智能的测试同行的书架上，都应该摆上这本集合了融 360 AI 测试团队一线测试经验的书。本书对掌握人工智能测试方法很有帮助。 ——徐琨，Testin 云测总裁 10 年前我在□□□□工作的时候就开始接触机器学习模型的测试，当时针对算法模型测试的资料非常匮乏。10 年过去了，大数据、机器学习和深度学习应用越来越普及。如何保证机器学习项目质量、评估机器学习项目效果已经是测试人员的工作方向了。但出于种种原因，这方面的学习资料很少，本书为读者进行机器学习测试提供了有益的指导，及时填补了这个空白。 ——黄延胜（思寒），霍格沃兹测试学院创始人、测吧（北京）科技有限公司测试架构师本书系统地阐述了融 360 AI 测试团队在机器学习测试领域的探索和实践。本书采用由浅入深的知识结构和通俗易懂的语言，分析机器学习测试的关键技术，是读者进行机器学习测试技术入门和工程实践的一本好书。 ——茹炳晟，Dell EMC（中国研发集团）资深架构师近几年，各行各业的人都在思考如何利用机器学习解决自己所处领域的问题，目前机器学习技术已能够解决测试领域的一些问题。本书作者结合自身丰富的工作实践和经验积累，非常全面而系统地阐述了机器学习测试技术与质量体系建设，是开发工程师、测试工程师、技术专家及技术管理者了解人工智能测试的案头书。本书兼顾机器学习知识的广度和深度，涵盖了丰富的机器学习测试的内容，解决了很多技术人员在机器学习测试中“知其然，而不知其所以然”的困惑。 ——童庭坚，PerfMa 联合创始人兼首席技术官，蚂蚁金服原全链路压测平台与性能回归体系建设负责人机器学习算法和模型的错误可能给项目带来巨大损失，迫切需要系统化测试来保障项目质量。与传统软件不同，机器学习的自主性、进化性会导致输出结果的不确定性、难解释性，这对测试工程师是一个很大的挑战，机器学习测试的方法也必将与传统软件测试迥异。艾辉及其团队的著作基于融 360 的成功实践，总结了机器学习测试方法，给出了经验证的工程实践方案，提供了丰富的代码和工具示例，非常适合读者入门机器学习测试。 ——丁国富，智联联盟智库专家、华为前测试架构师 / 测试部部长艾辉及其团队将 AI 测试作为主战场，深耕于人工智能领域，在机器学习测试中积极探索，并以严谨的态度将实践经验归纳成书，实属难得，相信本书一定能够为读者带来新的测试思路。 ——吴骏龙，□□□□本地生活高级测试经理自从机器学习技术在许多行业应用以来，测试界就开始探讨如何把机器学习用在测试上，但是一些结论还停留在论文或者小规模应用中。本书无疑是这个领域的开山之作，从基础到大数据，到模型，再到融会贯通，本书包括了机器学习测试的方方面面。本书能给刚接触机器学习测试的读者带来帮助，是从业者进行机器学习测试的实践指南。 ——张立华（恒温），测试开发专家、TesterHome 社区联合创始人由于机器学习自身的复杂性，传统的软件测试方法无法完全适用于机器学习，需要为其单独设计一套质量保障方法。虽然在测试界的技术峰会中有专家做过相关技术的分享，但还没有一本书可以较全面地阐述保障机器学习质量的方法。本书涵盖了机器学习的多种质量保障方法，内容丰富，凝聚了作者多年的机器学习测试实践经验，非常适合对机器学习测试感兴趣的读者阅读。 ——孙远，□□□□测试开发专家随着机器学习的应用，智能化已经是各行各业发展的主流趋势。机器学习在软件产品的研发和测试工程中，同样发挥着重要的作用。本书不仅讲解了机器学习的基本概念，还介绍了机器学习测试的实战技术，是一本充满“干货”的参考书。 ——蔡怡峰，腾讯 IEG 品质管理部测试开发负责人作者基于对测试行业的深刻理解，高屋建瓴地分析了机器学习测试方面的痛点和难点，本书是初学者不可或缺的案头资料，也是中级测试人员在测试领域继续探索的得力助手。 ——邹静，百度资深测试工程师随着软件产品越来越多地应用了大数据、机器学习等技术，传统领域的软件质量保障方法已经无法适应机器学习测试的实践需要，艾辉在这个时候推出机器学习测试的新书，恰逢其时，为测试人员从事机器学习测试工作提供了参考。希望更多的人可以通过阅读本书，理解机器学习，掌握机器学习质量保障技术，并将其应用到各自的测试项目中。 ——王冬，360 技术中台质量工程部高级总监机器学习技术在越来越多的领域中得到了应用，但有关机器学习测试和质量保障方法的书却少之又少，本书的出版正好迎合了读者这方面的学习需求。本书是作者对自己多年大数据和机器学习测试的实践总结。从工程质量到算法质量和模型评测，从测试方法到工具平台的应用，不管是机器学习的初学者还是资深的测试专家，都能从本书中受益。 ——张涛，网易传媒测试总监与 AI 相关的测试在国内也是一个较新的领域，各大公司都开始了相关的探索。艾辉是业内少有的低调且务实的实践者，本书也是其团队在机器学习测试方面的实践总结。书中详尽地讲解了从机器学习测试到模型工程化等内容，具有很强的指导意义。希望对机器学习测试有兴趣的同行都能研读本书，一定会受益匪浅！ ——董沐，小米技术经理本书系统地讲述了机器学习的质量保障方法，从基础知识准备，到大数据测试、特征测试以及模型质量的各种评估测试等，内容丰富。此外，书中还包含大量的测试实践案