第1章 面向移动设备的机器学习应用程序
1.1 机器学习的定义
1.2 机器学习过程
1.2.1 定义机器学习问题
1.2.2 准备数据
1.2.3 建立模型
1.2.4 进行预测/现场部署
1.3 学习类型
1.3.1 监督学习
1.3.2 无监督学习
1.3.3 半监督学习
1.3.4 强化学习
1.3.5 机器学习的挑战
1.4 在移动设备上进行机器学习
1.4.1 在移动应用程序中实现机器学习的方法
1.4.2 流行的移动机器学习工具和SDK
1.4.3 实现移动设备上机器学习应用程序所需的技能
1.5 小结
第2章 监督学习和无监督学习算法
2.1 监督学习算法简介
2.2 深入研究监督学习算法
2.2.1 朴素贝叶斯
2.2.2 决策树
2.2.3 线性回归
2.2.4 逻辑回归
2.2.5 支持向量机
2.2.6 随机森林
2.3 无监督学习算法简介
2.4 深入研究无监督学习算法
2.4.1 聚类算法
2.4.2 关联规则学习算法
2.5 小结
2.6 参考文献
第3章 iOS上的随机森林
3.1 算法简介
3.1.1 决策树
3.1.2 随机森林
3.2 在Core ML中使用随机森林解决问题
3.2.1 数据集
3.2.2 技术要求
3.2.3 使用scikit-learn创建模型文件
3.2.4 将scikit模型转换为Core ML模型
3.2.5 使用Core ML模型创建iOS移动应用程序
3.3 小结
3.4 深入阅读
第4章 在Android中使用TensorFlow
4.1 关于TensorFlow
4.2 移动机器学习应用程序的体系结构
4.3 使用TensorFlow模型编写移动应用程序
4.3.1 编写第一个程序
4.3.2 创建Android应用程序
4.4 小结
第5章 在iOS中使用Core ML进行回归
5.1 回归简介
5.2 了解Core ML的基础
5.3 在Core ML中使用回归解决问题
5.3.1 技术要求
5.3.2 如何使用scikit-learn创建模型文件
5.3.3 运行和测试模型
5.3.4 将模型导入iOS项目
5.3.5 编写iOS应用程序
5.3.6 运行iOS应用程序
5.4 深入阅读
5.5 小结
第6章 ML Kit SDK
6.1 理解ML Kit
6.2 使用Firebase设备上的API创建文本识别应用
6.3 使用Firebase云端API创建文本识别应用
6.4 使用ML Kit进行人脸检测
6.4.1 人脸检测概念
6.4.2 使用ML Kit进行脸部检测的示例解决方案
6.4.3 运行应用程序
6.5 小结
第7章 垃圾邮件检测
7.1 理解NLP
7.1.1 关于NLP
7.1.2 文本预处理技术
7.1.3 特征工程
7.1.4 分类/聚类文本
7.2 理解线性SVM算法
7.3 在Core ML中使用线性SVM解决问题
7.3.1 关于数据
7.3.2 技术要求
7.3.3 使用Scikit Learn创建模型文件
7.3.4 将scikit-learn模型转换为Core ML模型
7.3.5 编写iOS应用程序
7.4 小结
第8章 Fritz
8.1 关于Fritz
8.1.1 预建机器学习模型
8.1.2 使用自定义模型的能力
8.1.3 模型管理
8.2 使用Fritz的实战示例
8.2.1 通过Fritz使用现有的TensorFlow for mobile模型
8.2.2 使用Fritz预制模型创建Android应用程序
8.2.3 在使用Fritz的iOS应用程序中使用现有的Core ML模型
8.3 小结
第9章 移动设备上的神经网络
9.1 神经网络介绍
9.1.1 神经元的通信步骤
9.1.2 激活函数
9.1.3 神经元的排列
9.1.4 神经网络的类型
9.2 图像识别解决方案
9.3 创建TensorFlow图像识别模型
9.3.1 关于TensorFlow的作用
9.3.2 重新训练模型
9.3.3 将TensorFlow模型转换为Core ML模型
9.3.4 编写iOS移动应用程序
9.4 手写数字识别解决方案
9.5 关于Keras
9.6 安装Keras
9.7 求解问题
9.7.1 定义问题陈述
9.7.2 问题方案
9.8 小结
第10章 使用Google Cloud Vision的移动应用程序
10.1 关于Google Cloud Vision的功能
10.2 使用Google Cloud Vision的示例移动应用程序
10.2.1 标签检测的工作原理
10.2.2 先决条件
10.2.3 准备工作
10.2.4 理解应用
10.2.5 输出
10.3 小结
第11章 移动应用程序上机器学习的未来
11.1 主要的机器学习移动应用程序
11.1.1 Facebook
11.1.2 Google Maps
11.1.3 Snapchat
11.1.4 Tinder
11.1.5 Netflix
11.1.6 Oval Money
11.1.7 ImprompDo
11.1.8 Dango
11.1.9 Carat
11.1.10 Uber
11.1.11 GBoard
11.2 主要创新领域
11.2.1 个性化应用
11.2.2 卫生保健
11.2.3 有针对性的促销和营销
11.2.4 视听识别
11.2.5 电子商务
11.2.6 财务管理
11.2.7 游戏与娱乐
11.2.8 企业应用
11.2.9 房地产
11.2.10 农业
11.2.1

本书详细阐述了与移动设备机器学习相关的基本解决方案，主要包括面向移动设备的机器学习应用程序、监督学习和无监督学习算法、iOS上的随机森林、在Android中使用TensorFlow、在iOS中使用Core ML进行回归、ML Kit SDK、垃圾邮件检测、Fritz、移动设备上的神经网络、使用Google Cloud Vision的移动应用程序、移动应用程序上机器学习的未来等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学教材和参考手册。