| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 平台背景及国内外研究现状 | 第13-14页 |
| 1.2 本文的主要工作 | 第14-15页 |
| 1.3 论文章节安排 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 相关理论和技术介绍 | 第17-24页 |
| 2.1 分布式架构系统 | 第17-18页 |
| 2.2 面向服务的体系结构 | 第18-19页 |
| 2.3 分布式文件系统 | 第19-20页 |
| 2.4 自动化机器学习 | 第20-23页 |
| 2.4.1 遗传算法 | 第22页 |
| 2.4.2 贝叶斯优化器 | 第22-23页 |
| 2.5 本章总结 | 第23-24页 |
| 第3章 系统架构设计 | 第24-31页 |
| 3.1 整体架构 | 第24-30页 |
| 3.1.1 数据处理模块简介 | 第26-27页 |
| 3.1.2 分布式机器学习模块简介 | 第27-28页 |
| 3.1.3 自动化机器学习引擎简介 | 第28-29页 |
| 3.1.4 前端与后台业务模块简介 | 第29-30页 |
| 3.1.5 DevOps模块 | 第30页 |
| 3.2 本章小结 | 第30-31页 |
| 第4章 支持异构数据源的数据处理框架 | 第31-50页 |
| 4.1 分布式架构介绍 | 第31-33页 |
| 4.2 基于HDFS的分布式文件系统 | 第33-35页 |
| 4.2.1 HDFS介绍 | 第33-34页 |
| 4.2.2 HDFS与Spark Data Bus设计 | 第34-35页 |
| 4.3 基于MongoDB的分布式业务数据库 | 第35-36页 |
| 4.3.1 MongoDB | 第35-36页 |
| 4.3.2 大文件索引数据库 | 第36页 |
| 4.4 基于Spark SQL的跨平台异构大数据处理模块 | 第36-44页 |
| 4.4.1 Spark SQL介绍 | 第37-38页 |
| 4.4.2 Spark SQL大数据处理部分 | 第38-43页 |
| 4.4.3 图数据处理部分 | 第43-44页 |
| 4.5 系统扩展性说明 | 第44-49页 |
| 4.5.1 实验描述 | 第46-47页 |
| 4.5.2 实验结果 | 第47-49页 |
| 4.5.3 实验总结 | 第49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 可扩展的分布式机器学习集成框架 | 第50-58页 |
| 5.1 分布式机器学习框架集成架构 | 第50-52页 |
| 5.2 各机器学习框架集成 | 第52-56页 |
| 5.2.1 基于Spark MLlib的分布式机器学习框架 | 第52-54页 |
| 5.2.2 基于Tensorflow和Keras的分布式深度学习框架 | 第54-55页 |
| 5.2.3 基于Scikit-learn的单机机器学习框架 | 第55-56页 |
| 5.3 集成接口设计 | 第56-57页 |
| 5.4 机器学习算法扩展部分 | 第57页 |
| 5.5 本章小结 | 第57-58页 |
| 第6章 自动化监督性机器学习引擎 | 第58-95页 |
| 6.1 自动化机器学习介绍 | 第58-67页 |
| 6.1.1 自动化机器学习研究问题介绍 | 第59-63页 |
| 6.1.2 自动化机器学习评估标准 | 第63-64页 |
| 6.1.3 自动化机器学习引擎架构 | 第64-67页 |
| 6.2 自动化数据预处理与特征工程 | 第67-72页 |
| 6.2.1 数据预处理 | 第68-69页 |
| 6.2.2 特征工程 | 第69-72页 |
| 6.3 基于NSGA-Ⅱ遗传算法的管道选择器 | 第72-81页 |
| 6.3.1 树形机器学习管道 | 第72-75页 |
| 6.3.2 NSGA Ⅱ遗传算法 | 第75-78页 |
| 6.3.3 管道选择器算法 | 第78-81页 |
| 6.4 基于贝叶斯优化器的超参调节器 | 第81-87页 |
| 6.4.1 贝叶斯优化器 | 第81-84页 |
| 6.4.2 SMAC算法 | 第84-85页 |
| 6.4.3 超参优化算法 | 第85-87页 |
| 6.5 实验设计与分析 | 第87-94页 |
| 6.5.1 实验描述 | 第87-88页 |
| 6.5.2 实验结果分析 | 第88-94页 |
| 6.5.3 实验总结与未来工作 | 第94页 |
| 6.6 本章小结 | 第94-95页 |
| 第7章 系统实现与应用 | 第95-105页 |
| 7.1 前端与业务后端架构设计 | 第95-97页 |
| 7.1.1 前端响应式架构设计 | 第95-96页 |
| 7.1.2 后段业务部分架构设计 | 第96-97页 |
| 7.2 平台功能介绍 | 第97-102页 |
| 7.2.1 数据统计分析界面及说明 | 第98页 |
| 7.2.2 自动化机器学习界面及说明 | 第98-99页 |
| 7.2.3 手动机器学习部分界面及说明 | 第99-101页 |
| 7.2.4 深度学习界面及说明 | 第101-102页 |
| 7.3 DevOps架构说明 | 第102-104页 |
| 7.3.1 实际部署部分 | 第103-104页 |
| 7.4 本章小结 | 第104-105页 |
| 第8章 总结与展望 | 第105-107页 |
| 8.1 全文总结 | 第105-106页 |
| 8.2 工作展望 | 第106-107页 |
| 参考文献 | 第107-110页 |
| 攻读硕士学位期间主要的研究成果 | 第110-111页 |
| 致谢 | 第111页 |
