| 作者 |
| [美]挪亚·吉夫特(Noah Gift) 等 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782110261844 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8069719 - 人工智能开发实践:云端机器学习导论--------------------------- 务实地解决AI问题需要更多地关注结果而不仅是技术。归根结底，花费数月时间为一些永远无法投入生产的任务选择最佳的机器学习算法只是徒劳无功和浪费金钱。将更多的机器学习技术投入到生产过程的一种方式就是停止辛勤工作，使用云提供商提供的现成解决方案是避免这种辛勤工作的强大技术。从英雄驱动式开发转向鼓励业务连续性和交付解决方案的组织行为对各方都有益处。 ---------------------------8060195 - 机器学习即服务：将Python机器学习创意快速转变为云端Web应用程序--------------------------- 本书涵盖Kubernetes架构、部署、核心资源类型、系统扩缩容、存储卷、网络插件与网络本书由浅入深地介绍了一系列常见的Python数据科学问题。书中介绍的实践项目简单明了，可作为模板快速启动其他类似项目。通过本书，你将学习如何构建一个Web应用程序以进行数值或分类预测，如何理解文本分析，如何创建强大的交互界面，如何对数据访问进行安全控制，以及如何利用Web插件实现信用卡付款和捐赠。 每章都遵循三个步骤：以正确的方式建模，设计和开发本地Web应用程序，部署到流行且可靠的无服务器计算云平台（亚马逊、微软、谷歌和PythonAnywhere）上。本书各章之间是独立的，你可以根据需求跳转至特定主题。 |
| 目录 |
| [套装书具体书目] 8060195 - 机器学习即服务：将Python机器学习创意快速转变为云端Web应用程序 - 9787111627036 - 机械工业出版社 - 定价 99 8069719 - 人工智能开发实践:云端机器学习导论 - 9787111653585 - 机械工业出版社 - 定价 89 ---------------------------8069719 - 人工智能开发实践:云端机器学习导论--------------------------- 赞誉 译者序 前言 致谢 作者简介 第一部分 实用人工智能基础 第1章 实用人工智能简介2 1.1 Python功能介绍3 1.1.1 程序语句4 1.1.2 字符串和字符串格式化6 1.1.3 数字与算术运算8 1.1.4 数据结构10 1.1.5 函数12 1.2 在Python中使用控制结构19 1.2.1 for循环20 1.2.2 while循环21 1.2.3 if/else语句21 1.2.4 生成器表达式22 1.2.5 列表推导式23 1.2.6 中级主题23 1.3 进一步思考26 第2章 人工智能与机器学习的工具链28 2.1 Python数据科学生态系统：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29 2.2 R语言、RStudio、Shiny和ggplot30 2.3 电子表格：Excel和Google表格30 2.4 使用Amazon网络服务开发云端AI 31 2.5 AWS上的DevOps31 2.5.1 持续交付31 2.5.2 为AWS创建软件开发环境32 2.5.3 集成Jupyter Notebook38 2.5.4 集成命令行工具41 2.5.5 集成AWS CodePipeline44 2.6 数据科学中的基本Docker容器设置49 2.7 其他构建服务器：Jenkins、CircleCI、Codeship和Travis49 2.8 小结50 第3章 斯巴达式AI生命周期51 3.1 实用生产反馈回路52 3.2 AWS SageMaker55 3.3 AWS Glue反馈回路56 3.4 AWS批处理60 3.5 基于Docker容器的反馈回路62 3.6 小结64 第二部分 云端人工智能 第4章 使用Google云平台开发云端AI66 4.1 Google云平台概述67 4.2 Colaboratory合作实验工具68 4.3 Datalab数据处理工具70 4.3.1 使用Docker和Google容器注册表扩展Datalab70 4.3.2 使用Datalab启动强大的机器71 4.4 BigQuery云数据仓库73 4.5 Google云端AI服务76 4.6 云端TPU和TensorFlow79 4.7 小结82 第5章 使用Amazon Web服务开发云端AI 83 5.1 在AWS上构建增强现实和虚拟现实解决方案85 5.1.1 计算机视觉：带有EFS和Flask的AR/VR管道86 5.1.2 带EFS、Flask和Pandas的数据工程管道88 5.2 小结102 第三部分 创建实际AI应用程序 第6章 预测社交媒体在NBA中的影响力104 6.1 提出问题104 6.2 收集具有挑战性的数据源123 6.2.1 收集运动员的Wikipedia页面访问量123 6.2.2 收集运动员的Twitter参与度129 6.2.3 探索NBA运动员数据132 6.3 NBA球员的无监督机器学习136 6.3.1 使用R语言对NBA球员执行分面聚类绘图136 6.3.2 汇总：球队、球员、影响力和广告代言138 6.4 更多的实际进阶与学习140 6.5 小结141 第7章 使用AWS创建智能的Slack机器人142 7.1 创建机器人142 7.2 将库转换为命令行工具143 7.3 使用AWS工作流服务将机器人提升到新水平145 7.4 获取IAM证书设置146 7.5 建立工作流155 7.6 小结157 第8章 从GitHub组织中寻找项目管理的思考158 8.1 软件项目管理问题综述158 8.2 开始创建数据科学项目框架160 8.3 收集和转换数据162 8.4 与GitHub组织交流164 8.5 创建特定领域的统计信息165 8.6 将数据科学项目连接到CLI客户端167 8.7 使用Jupyter Notebook探索GitHub 组织169 8.8 查看CPython项目中的文件元数据171 8.9 查看CPython项目中的已删除文件174 8.10 将项目部署到Python包索引库177 8.11 小结179 第9章 动态优化基于AWS的弹性计算云（EC2）实例181 9.1 在AWS上运行作业181 9.1.1 EC2 Spot实例181 9.1.2 Spot实例理论和定价历史182 9.1.3 编写Spot实例启动程序191 9.1.4 编写更复杂的Spot实例启动程序196 9.2 小结197 第10章 房地产数据研究199 10.1 美国房地产价值探索199 10.2 Python中的交互式数据可视化201 10.3 规模等级和价格聚类203 10.4 小结209 第11章 用户生成内容的生产环境AI211 11.1 Netflix奖未在生产中实施212 11.2 推荐系统的基本概念213 11.3 在Python中使用Surprise 框架213 11.4 推荐系统的云解决方案216 11.5 推荐系统的实际生产问题216 11.6 云端自然语言处理和情绪分析221 11.6.1 Azure上的NLP221 11.6.2 GCP上的NLP224 11.6.3 AWS上的生产型无服务器NLP AI管道227 11.7 小结233 附录A AI加速器234 附录B 聚类大小的选择236 ---------------------------8060195 - 机器学习即服务：将Python机器学习创意快速转变为云端Web应用程序--------------------------- 译者序1 译者序2 译者序3 关于作者 关于技术审校者 前言 第1章 无服务器计算介绍1 1.1 一个简单的本地Flask应用程序1 1.2 在微软Azure上使用无服务器计算4 1.2.1 操作步骤5 1.2.2 结论和附加信息12 1.3 在谷歌云上使用无服务器计算12 1.3.1 操作步骤13 1.3.2 结论和附加信息18 1.4 在Amazon AWS上使用无服务器计算19 1.4.1 操作步骤19 1.4.2 结论和附加信息24 1.5 在PythonAnywhere上托管应用程序24 1.5.1 操作步骤25 1.5.2 结论和附加信息26 1.6 本章小结26 第2章 在Azure上进行共享单车回归模型智能预测27 2.1 共享单车租赁需求回归系数分析28 2.2 探索共享单车原始数据集28 2.2.1 下载UCI机器学习库数据集29 2.2.2 Jupyter Notebook配置使用29 2.2.3 数据集探索31 2.2.4 预测结果变量分析33 2.2.5 量化特征与租赁统计34 2.2.6 分类特征研究35 2.3 数据建模准备工作36 2.3.1 回归建模37 2.3.2 简单线性回归37 2.3.3 简单线性回归模型37 2.4 特征工程试验39 2.4.1 多项式建模39 2.4.2 创建分类数据虚拟特征40 2.4.3 非线性模型试验41 2.4.4 使用时间序列复杂特征42 2.5 简约模型44 2.5.1 简单模型中的回归系数提取44 2.5.2 R-Squared44 2.5.3 基于回归系数的新数据预测46 2.6 共享单车租赁需求交互式Web应用设计48 2.6.1 代码可读性与扩展性摘要48 2.6.2 构建本地Flask应用49 2.6.3 下载运行GitHub共享单车代码50 2.6.4 Web应用程序调试最佳实践51 2.7 在微软Azure上运行Web应用程序54 2.7.1 使用Git托管项目代码54 2.7.2 微软Azure命令行接口工具使用56 2.7.3 资源清理59 2.7.4 故障排查60 2.7.5 步骤回顾62 2.8 Web应用程序脚本及技术分析62 2.8.1 main.py文件分析63 2.8.2 /static/文件夹分析64 2.8.3 /templates/index.html文件及脚本分析64 2.9 本章小结66 2.10 附加资源66 第3章 在GCP上基于逻辑回归实现实时智能67 3.1 规划Web应用68 3.2 数据处理68 3.2.1 处理分类型数据71 3.2.2 从分类型数据创建虚拟特征75 3.3 建模75 3.3.1 训练和测试数据集拆分76 3.3.2 逻辑回归77 3.3.3 预测幸存率78 3.4 准备上云78 3.4.1 函数startup()79 3.4.2 函数submit_new_profile()79 3.4.3 使用HTML表单实现交互79 3.4.4 创建动态图像80 3.4.5 下载Titanic代码81 3.5 部署到谷歌云上82 3.5.1 Google App Engine82 3.5.2 在Google App Engine上进行部署83 3.5.3 问题排查86 3.5.4 收尾工作87 3.6 代码回顾87 3.6.1 main.py87 3.6.2 app.yaml88 3.6.3 appengine_config.py文件与lib文件夹89 3.6.4 requirements.txt89 3.7 步骤回顾90 3.8 本章小结90 第4章 在AWS上使用Gradient Boosting Machine进行预训练91 4.1 Web应用程序规划92 4.2 探索葡萄酒品质数据集92 4.3 处理不平衡的类别95 4.4 使用Gradient Boosting Classifier97 4.4.1 评估模型98 4.4.2 持久化模型101 4.4.3 新数据预测101 4.5 设计Web应用程序以交互评估葡萄酒品质103 4.6 Ajax—服务器端动态Web渲染104 4.7 在虚拟环境中工作：一个方便实验、更加安全和纯净的沙箱104 4.8 AWS Elastic Beanstalk105 4.8.1 为Elastic Beanstalk创建一个访问账户106 4.8.2 Elastic Beanstalk108 4.8.3 EB Command Line Interface108 4.8.4 修复WSGIApplication-Group110 4.8.5 创建EB应用程序111 4.8.6 查看应用程序111 4.9 资源清理112 4.10 步骤回顾114 4.11 故障排查115 4.11.1 查看日志115 4.11.2 SSH登录到实例115 4.12 本章小结116 第5章 案例研究1：在Web和移动浏览器上预测股票市场117 5.1 配对交易策略118 5.2 下载和准备数据119 5.2.1 准备数据120 5.2.2 股票代码透视121 5.3 价格市场数据扩展121 5.4 绘制价差122 5.5 交易理念123 5.5.1 寻找极端案例123 5.5.2 提供交易建议124 5.6 计算交易股数125 5.7 设计一个移动友好的Web应用程序提供交易建议127 5.8 运行本地Flask应用程序128 5.9 表单验证130 5.10 在PythonAnywhere上运行应用程序130 5.11 修复WSGI文件133 5.11.1 源代码133 5.11.2 WSGI配置133 5.11.3 重新加载网站134 5.12 PythonAnywhere故障排查135 5.13 本章小结136 第6章 基于Azure和Google地图的犯罪行为预测137 6.1 Web应用程序规划138 6.2 探索旧金山犯罪热图数据集138 6.2.1 数据清洗139 6.2.2 数据重分布140 6.2.3 周数据探索142 6.3 数据特征工程142 6.3.1 创建年度月份汇总数据特征143 6.3.2 创建时段数据特征144 6.3.3 时段特征数据集探索145 6.4 地理数据可视化146 6.4.1 地理坐标位置绘制146 6.4.2 地理坐标近似值区块创建147 6.5 基于历史数据的犯罪预测149 6.6 Google地图152 6.7 热力图层153 6.8 犯罪数据在Google地图上的应用154 6.9 犯罪预测数据自定义提取155 6.10 设计Web应用程序156 6.10.1 添加Google API密钥157 6.10.2 本地运行Web应用程序157 6.10.3 Azure公有云Git准备157 6.10.4 Azure命令行接口工具160 6.10.5 故障排查164 6.10.6 资源清理166 6.11 本章小结166 第7章 在AWS上使用朴素贝叶斯和OpenWeather进行预测167 7.1 探索数据集167 7.2 朴素贝叶斯169 7.3 Sklearn中的GaussianNB170 7.4 实时天气预报OpenWeatherMap171 7.4.1 使用天气预测服务173 7.4.2 数据转换174 7.5 设计Web应用程序177 7.6 在AWS Elastic Beanstalk上运行应用程序179 7.6.1 修复WSGIApplication-Group180 7.6.2 查看应用程序181 7.6.3 记得终止实例182 7.7 本章小结184 7.7.1 访问OpenWeatherMap数据184 7.7.2 捕获异常184 7.7.3 处理用户输入的数据185 第8章 在GCP上基于TensorFlow实现交互式绘画和数字预测186 8.1 MNIST数据集186 8.2 TensorFlow189 8.3 使用TensorFlow和卷积网络建模189 8.3.1 构建建模层190 8.3.2 损益函数191 8.3.3 实例化会话191 8.3.4 训练191 8.3.5 准确度191 8.3.6 运行脚本192 8.4 准备上云193 8.4.1 运行一个保存的TensorFlow模型193 8.4.2 保存模型194 8.4.3 画布194 8.4.4 从画布到TensorFlow195 8.4.5 测试新的手写数字195 8.4.6 设计Web应用程序196 8.4.7 下载Web应用程序197 8.5 部署到谷歌云上198 8.5.1 谷歌云Flexible App Engine198 8.5.2 在Google App Engine上部署199 8.5.3 问题排查201 8.5.4 收尾工作202 8.6 本章小结203 8.6.1 HTML5 标签203 8.6.2 TensorFlow203 8.6.3 设计203 第9章 案例研究2：动态股票图表显示205 9.1 使用Matplotlib创建股票图表205 9.2 探索配对交易图表207 9.3 设计Web应用程序210 9.4 具有移动友好性的表格211 9.5 上传Web应用程序到PythonAnywhere213 9.6 本章小结215 第10章 在GCP上使用奇异值分解实现推荐系统216 10.1 规划Web应用216 10.2 推荐系统简介217 10.3 探索MovieLens数据集217 10.3.1 MovieLens数据集概况218 10.3.2 探索ratings.csv和movies.csv219 10.3.3 理解评级和评级文化221 10.3.4 给出推荐224 10.4 协同过滤226 10.4.1 相似性和距离测量工具227 10.4.2 欧几里得距离227 10.4.3 余弦相似距离228 10.5 奇异值分解228 10.5.1 将电影评级集中到零周围229 10.5.2 观察SVD的行为229 10.6 准备上云232 10.6.1 下载并在本地运行“下一部电影看什么？”232 10.6.2 代码解释234 10.7 部署到谷歌云上236 10.7.1 在Google App Engine上部署236 10.7.2 问题排查240 10.7.3 收尾工作240 10.8 本章小结241 第11章 在Azure上使用NLP和可视化技术简化复杂概念242 11.1 Web应用规划242 11.2 数据探索243 11.3 文本清理244 11.4 基于文本的特征工程245 11.5 TFIDF文本数据清理247 11.6 NLP与正则表达式247 11.7 使用外部垃圾邮件关键字列表248 11.8 使用Sklearn库TfidfVectorizer提取特征250 11.9 输出变量准备250 11.10 使用Sklearn库随机森林分类器建模251 11.10.1 模型性能测量252 11.10.2 模型阈值交互255 11.11 Web图形化交互256 11.12 构建本地Flask Web应用257 11.13 将应用程序部署到Azure公有云259 11.13.1 在Azure上部署Git259 11.13.2 Azure命令行接口工具262 11.13.3 资源清理265 11.13.4 故障排查266 11.14 本章小结与附加资源268 第12章 案例研究3：使用基础财务信息使内容更丰富269 12.1 访问股票上市公司名单269 12.2 使用维基百科API获取公司信息271 12.3 构建动态FinViz链接272 12.4 基础消息探索273 12.5 设计Web应用程序274 12.6 上传Web应用程序到PythonAnywhere276 12.7 本章小结281 第13章 使用Google Analytics282 13.1 创建Google Analytics账户282 13.2 JavaScript跟踪器283 13.3 阅读分析报告284 13.4 流量来源286 13.5 页面286 13.6 本章小结与附加资源287 第14章 在PythonAnywhere上使用A/B测试和MySQL数据库288 14.1 A/B测试289 14.1.1 用户跟踪290 14.1.2 通用唯一标识符290 14.2 MySQL290 14.2.1 使用命令行启动和停止服务292 14.2.2 MySQL命令行监视器293 14.2.3 创建数据库293 14.2.4 创建数据表294 14.2.5 创建数据库用户295 14.3 Python库：mysql.connector295 14.3.1 SELECT SQL语句296 14.3.2 INSERT SQL语句296 14.3.3 UPDATE SQL语句297 14.4 将代码抽象为函数298 14.5 设计Web应用程序300 14.6 在PythonAnywhere上设置MySQL300 14.7 在PythonAnywhere上进行A/B测试302 14.8 A/B测试结果304 14.9 本章小结304 第15章 从访问者到订阅者306 15.1 基于文本的身份验证306 15.1.1 Flask-HTTPAuth硬编码账户307 15.1.2 摘要式身份验证示例308 15.1.3 使用外部文本文件的摘要式身份验证示例309 15.2 简单订阅插件系统311 15.2.1 用Memberful进行销售311 15.2.2 用PayPal进行捐赠315 15.2.3 用Stripe进行购买317 15.3 本章小结321 第16章 案例研究4：使用Memberful构建订阅付费墙322 16.1 升级Memberful和Python-Anywhere支付账户323 16.1.1 升级Memberful323 16.1.2 升级PythonAnywhere326 16.1.3 使用pip安装Flask-SSLify326 16.2 Memberful用户验证327 16.2.1 两步流程和Flask会话机制327 16.2.2 身份验证第1步328 16.2.3 身份验证第2步328 16.2.4 调用Memberful函数330 16.3 设计Web应用程序331 16.3.1 在Memberful.com上设计一个订阅计划331 16.3.2 将Web应用程序上传到PythonAnywhere333 16.3.3 在Memberful和MySQL中替换你自己的凭据335 16.4 代码解释336 16.4.1 main.py336 16.4.2 welcome.html336 16.4.3 index.html337 16.5 本章小结338 第17章 关闭所有资源339 |