掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能系統與技術叢書機器學習即服務:將PYTHON機器學習創意快速轉變為云端WEB應用程序 版權信息
- ISBN：9787111627036
- 條形碼：9787111627036 ; 978-7-111-62703-6
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能系統與技術叢書機器學習即服務:將PYTHON機器學習創意快速轉變為云端WEB應用程序 本書特色
本書涵蓋Kubernetes架構、部署、核心資源類型、系統擴縮容、存儲卷、網絡插件與網絡本書由淺入深地介紹了一系列常見的Python數據科學問題。書中介紹的實踐項目簡單明了，可作為模板快速啟動其他類似項目。通過本書，你將學習如何構建一個Web應用程序以進行數值或分類預測，如何理解文本分析，如何創建強大的交互界面，如何對數據訪問進行安全控制，以及如何利用Web插件實現信用卡付款和捐贈。
每章都遵循三個步驟：以正確的方式建模，設計和開發本地Web應用程序，部署到流行且可靠的無服務器計算云平臺（亞馬遜、微軟、谷歌和PythonAnywhere）上。本書各章之間是獨立的，你可以根據需求跳轉至特定主題。
智能系統與技術叢書機器學習即服務:將PYTHON機器學習創意快速轉變為云端WEB應用程序 內容簡介
近幾年來，人工智能（AI）一直在飛速發展著，它正在開啟一個全新的創新時代。從智能音箱到各種機器人，從人臉識別到語言翻譯，從智能推薦到自動駕駛，人工智能在各行各業應用得越來越廣泛。人工智能技術是引領未來的創新性技術，它將擁有很好光明的前景。譯者對這一點深信不疑。于是，大概半年前，為了學習AI，譯者買來了大學時期曾經學過的《概率論》《微積分》《線性代數》等數學書籍，以及幾本講述各種算法和模型的大部頭。盡管很努力地學習，但是自我感覺效果不太理想。一來要學習的內容很好多，二來各種算法很好枯燥，三來沒有太多使用機會，因此很難在短時間內就理解得比較透徹，有時甚至有了打退堂鼓的念頭。直至看到Apress出版的《Monetizing Machine Learning》，我才知道學習AI還有如此輕松有趣的方法。書中實現了多個包含AI能力的完整Web應用程序，包括利用Python、Flask、Google Analytics、Google Maps、PythonAnywhere、Memberful等編程工具和云服務，在GCP上實現一個交互式畫布并利用TensorFlow來對手寫數字進行預測，在GCP上使用奇異值分解算法來向用戶推薦電影，在AWS上使用樸素貝葉斯算法來為高爾夫球手實時預測天氣，在Azure上利用云端回歸系數來預測共享單車租賃需求等。從這些例子可以看出，本書另辟蹊徑，不從各種算法和模型推理入手，而是一步一步從產品設計開始，到代碼實現，再到云上部署，讓讀者學習如何利用AI來實現這些Web應用程序中的智能能力。
智能系統與技術叢書機器學習即服務:將PYTHON機器學習創意快速轉變為云端WEB應用程序 目錄
譯者序1
譯者序2
譯者序3
關于作者
關于技術審校者
前言
第1章 無服務器計算介紹1
1.1 一個簡單的本地Flask應用程序1
1.2 在微軟Azure上使用無服務器計算4
1.2.1 操作步驟5
1.2.2 結論和附加信息12
1.3 在谷歌云上使用無服務器計算12
1.3.1 操作步驟13
1.3.2 結論和附加信息18
1.4 在Amazon AWS上使用無服務器計算19
1.4.1 操作步驟19
1.4.2 結論和附加信息24
1.5 在PythonAnywhere上托管應用程序24
1.5.1 操作步驟25
1.5.2 結論和附加信息26
1.6 本章小結26
第2章 在Azure上進行共享單車回歸模型智能預測27
2.1 共享單車租賃需求回歸系數分析28
2.2 探索共享單車原始數據集28
2.2.1 下載UCI機器學習庫數據集29
2.2.2 Jupyter Notebook配置使用29
2.2.3 數據集探索31
2.2.4 預測結果變量分析33
2.2.5 量化特征與租賃統計34
2.2.6 分類特征研究35
2.3 數據建模準備工作36
2.3.1 回歸建模37
2.3.2 簡單線性回歸37
2.3.3 簡單線性回歸模型37
2.4 特征工程試驗39
2.4.1 多項式建模39
2.4.2 創建分類數據虛擬特征40
2.4.3 非線性模型試驗41
2.4.4 使用時間序列復雜特征42
2.5 簡約模型44
2.5.1 簡單模型中的回歸系數提取44
2.5.2 R-Squared44
2.5.3 基于回歸系數的新數據預測46
2.6 共享單車租賃需求交互式Web應用設計48
2.6.1 代碼可讀性與擴展性摘要48
2.6.2 構建本地Flask應用49
2.6.3 下載運行GitHub共享單車代碼50
2.6.4 Web應用程序調試*佳實踐51
2.7 在微軟Azure上運行Web應用程序54
2.7.1 使用Git托管項目代碼54
2.7.2 微軟Azure命令行接口工具使用56
2.7.3 資源清理59
2.7.4 故障排查60
2.7.5 步驟回顧62
2.8 Web應用程序腳本及技術分析62
2.8.1 main.py文件分析63
2.8.2 /static/文件夾分析64
2.8.3 /templates/index.html文件及腳本分析64
2.9 本章小結66
2.10 附加資源66
第3章 在GCP上基于邏輯回歸實現實時智能67
3.1 規劃Web應用68
3.2 數據處理68
3.2.1 處理分類型數據71
3.2.2 從分類型數據創建虛擬特征75
3.3 建模75
3.3.1 訓練和測試數據集拆分76
3.3.2 邏輯回歸77
3.3.3 預測幸存率78
3.4 準備上云78
3.4.1 函數startup()79
3.4.2 函數submit_new_profile()79
3.4.3 使用HTML表單實現交互79
3.4.4 創建動態圖像80
3.4.5 下載Titanic代碼81
3.5 部署到谷歌云上82
3.5.1 Google App Engine82
3.5.2 在Google App Engine上進行部署83
3.5.3 問題排查86
3.5.4 收尾工作87
3.6 代碼回顧87
3.6.1 main.py87
3.6.2 app.yaml88
3.6.3 appengine_config.py文件與lib文件夾89
3.6.4 requirements.txt89
3.7 步驟回顧90
3.8 本章小結90
第4章 在AWS上使用Gradient Boosting Machine進行預訓練91
4.1 Web應用程序規劃92
4.2 探索葡萄酒品質數據集92
4.3 處理不平衡的類別95
4.4 使用Gradient Boosting Classifier97
4.4.1 評估模型98
4.4.2 持久化模型101
4.4.3 新數據預測101
4.5 設計Web應用程序以交互評估葡萄酒品質103
4.6 Ajax—服務器端動態Web渲染104
4.7 在虛擬環境中工作：一個方便實驗、更加安全和純凈的沙箱104
4.8 AWS Elastic Beanstalk105
4.8.1 為Elastic Beanstalk創建一個訪問賬戶106
4.8.2 Elastic Beanstalk108
4.8.3 EB Command Line Interface108
4.8.4 修復WSGIApplication-Group110
4.8.5 創建EB應用程序111
4.8.6 查看應用程序111
4.9 資源清理112
4.10 步驟回顧114
4.11 故障排查115
4.11.1 查看日志115
4.11.2 SSH登錄到實例115
4.12 本章小結116
第5章 案例研究1：在Web和移動瀏覽器上預測股票市場117
5.1 配對交易策略118
5.2 下載和準備數據119
5.2.1 準備數據120
5.2.2 股票代碼透視121
5.3 價格市場數據擴展121
5.4 繪制價差122
5.5 交易理念123
5.5.1 尋找極端案例123
5.5.2 提供交易建議124
5.6 計算交易股數125
5.7 設計一個移動友好的Web應用程序提供交易建議127
5.8 運行本地Flask應用程序128
5.9 表單驗證130
5.10 在PythonAnywhere上運行應用程序130
5.11 修復WSGI文件133
5.11.1 源代碼133
5.11.2 WSGI配置133
5.11.3 重新加載網站134
5.12 PythonAnywhere故障排查135
5.13 本章小結136
第6章 基于Azure和Google地圖的犯罪行為預測137
6.1 Web應用程序規劃138
6.2 探索舊金山犯罪熱圖數據集138
6.2.1 數據清洗139
6.2.2 數據重分布140
6.2.3 周數據探索142
6.3 數據特征工程142
6.3.1 創建年度月份匯總數據特征143
6.3.2 創建時段數據特征144
6.3.3 時段特征數據集探索145
6.4 地理數據可視化146
6.4.1 地理坐標位置繪制146
6.4.2 地理坐標近似值區塊創建147
6.5 基于歷史數據的犯罪預測149
6.6 Google地圖152
6.7 熱力圖層153
6.8 犯罪數據在Google地圖上的應用154
6.9 犯罪預測數據自定義提取155
6.10 設計Web應用程序156
6.10.1 添加Goo
譯者序2
譯者序3
關于作者
關于技術審校者
前言
第1章 無服務器計算介紹1
1.1 一個簡單的本地Flask應用程序1
1.2 在微軟Azure上使用無服務器計算4
1.2.1 操作步驟5
1.2.2 結論和附加信息12
1.3 在谷歌云上使用無服務器計算12
1.3.1 操作步驟13
1.3.2 結論和附加信息18
1.4 在Amazon AWS上使用無服務器計算19
1.4.1 操作步驟19
1.4.2 結論和附加信息24
1.5 在PythonAnywhere上托管應用程序24
1.5.1 操作步驟25
1.5.2 結論和附加信息26
1.6 本章小結26
第2章 在Azure上進行共享單車回歸模型智能預測27
2.1 共享單車租賃需求回歸系數分析28
2.2 探索共享單車原始數據集28
2.2.1 下載UCI機器學習庫數據集29
2.2.2 Jupyter Notebook配置使用29
2.2.3 數據集探索31
2.2.4 預測結果變量分析33
2.2.5 量化特征與租賃統計34
2.2.6 分類特征研究35
2.3 數據建模準備工作36
2.3.1 回歸建模37
2.3.2 簡單線性回歸37
2.3.3 簡單線性回歸模型37
2.4 特征工程試驗39
2.4.1 多項式建模39
2.4.2 創建分類數據虛擬特征40
2.4.3 非線性模型試驗41
2.4.4 使用時間序列復雜特征42
2.5 簡約模型44
2.5.1 簡單模型中的回歸系數提取44
2.5.2 R-Squared44
2.5.3 基于回歸系數的新數據預測46
2.6 共享單車租賃需求交互式Web應用設計48
2.6.1 代碼可讀性與擴展性摘要48
2.6.2 構建本地Flask應用49
2.6.3 下載運行GitHub共享單車代碼50
2.6.4 Web應用程序調試*佳實踐51
2.7 在微軟Azure上運行Web應用程序54
2.7.1 使用Git托管項目代碼54
2.7.2 微軟Azure命令行接口工具使用56
2.7.3 資源清理59
2.7.4 故障排查60
2.7.5 步驟回顧62
2.8 Web應用程序腳本及技術分析62
2.8.1 main.py文件分析63
2.8.2 /static/文件夾分析64
2.8.3 /templates/index.html文件及腳本分析64
2.9 本章小結66
2.10 附加資源66
第3章 在GCP上基于邏輯回歸實現實時智能67
3.1 規劃Web應用68
3.2 數據處理68
3.2.1 處理分類型數據71
3.2.2 從分類型數據創建虛擬特征75
3.3 建模75
3.3.1 訓練和測試數據集拆分76
3.3.2 邏輯回歸77
3.3.3 預測幸存率78
3.4 準備上云78
3.4.1 函數startup()79
3.4.2 函數submit_new_profile()79
3.4.3 使用HTML表單實現交互79
3.4.4 創建動態圖像80
3.4.5 下載Titanic代碼81
3.5 部署到谷歌云上82
3.5.1 Google App Engine82
3.5.2 在Google App Engine上進行部署83
3.5.3 問題排查86
3.5.4 收尾工作87
3.6 代碼回顧87
3.6.1 main.py87
3.6.2 app.yaml88
3.6.3 appengine_config.py文件與lib文件夾89
3.6.4 requirements.txt89
3.7 步驟回顧90
3.8 本章小結90
第4章 在AWS上使用Gradient Boosting Machine進行預訓練91
4.1 Web應用程序規劃92
4.2 探索葡萄酒品質數據集92
4.3 處理不平衡的類別95
4.4 使用Gradient Boosting Classifier97
4.4.1 評估模型98
4.4.2 持久化模型101
4.4.3 新數據預測101
4.5 設計Web應用程序以交互評估葡萄酒品質103
4.6 Ajax—服務器端動態Web渲染104
4.7 在虛擬環境中工作：一個方便實驗、更加安全和純凈的沙箱104
4.8 AWS Elastic Beanstalk105
4.8.1 為Elastic Beanstalk創建一個訪問賬戶106
4.8.2 Elastic Beanstalk108
4.8.3 EB Command Line Interface108
4.8.4 修復WSGIApplication-Group110
4.8.5 創建EB應用程序111
4.8.6 查看應用程序111
4.9 資源清理112
4.10 步驟回顧114
4.11 故障排查115
4.11.1 查看日志115
4.11.2 SSH登錄到實例115
4.12 本章小結116
第5章 案例研究1：在Web和移動瀏覽器上預測股票市場117
5.1 配對交易策略118
5.2 下載和準備數據119
5.2.1 準備數據120
5.2.2 股票代碼透視121
5.3 價格市場數據擴展121
5.4 繪制價差122
5.5 交易理念123
5.5.1 尋找極端案例123
5.5.2 提供交易建議124
5.6 計算交易股數125
5.7 設計一個移動友好的Web應用程序提供交易建議127
5.8 運行本地Flask應用程序128
5.9 表單驗證130
5.10 在PythonAnywhere上運行應用程序130
5.11 修復WSGI文件133
5.11.1 源代碼133
5.11.2 WSGI配置133
5.11.3 重新加載網站134
5.12 PythonAnywhere故障排查135
5.13 本章小結136
第6章 基于Azure和Google地圖的犯罪行為預測137
6.1 Web應用程序規劃138
6.2 探索舊金山犯罪熱圖數據集138
6.2.1 數據清洗139
6.2.2 數據重分布140
6.2.3 周數據探索142
6.3 數據特征工程142
6.3.1 創建年度月份匯總數據特征143
6.3.2 創建時段數據特征144
6.3.3 時段特征數據集探索145
6.4 地理數據可視化146
6.4.1 地理坐標位置繪制146
6.4.2 地理坐標近似值區塊創建147
6.5 基于歷史數據的犯罪預測149
6.6 Google地圖152
6.7 熱力圖層153
6.8 犯罪數據在Google地圖上的應用154
6.9 犯罪預測數據自定義提取155
6.10 設計Web應用程序156
6.10.1 添加Goo
展開全部
智能系統與技術叢書機器學習即服務:將PYTHON機器學習創意快速轉變為云端WEB應用程序 作者簡介
曼紐爾·阿米納特吉（Manuel Amunategui）
曼紐爾·阿米納特吉（Manuel Amunategui） 是SpringML（谷歌云和Salesforce的優選合作伙伴）的數據科學副總裁，擁有預測分析和國際管理碩士學位。在過去20年中，他在科技行業內實施了數百種端到端客戶解決方案。在機器學習、醫療健康建模等方面有著豐富的咨詢經驗。他在華爾街金融行業工作了6年，在微軟工作了4年，這些經歷使他意識到應用數據科學教育和培訓材料的缺乏。為了幫助緩解這一問題，他一直在通過文字博客、視頻博客和教育材料傳播應用數據科學知識。
邁赫迪·洛佩伊（Mehdi Roopaei）曼紐爾·阿米納特吉（Manuel Amunategui）
曼紐爾·阿米納特吉（Manuel Amunategui） 是SpringML（谷歌云和Salesforce的優選合作伙伴）的數據科學副總裁，擁有預測分析和國際管理碩士學位。在過去20年中，他在科技行業內實施了數百種端到端客戶解決方案。在機器學習、醫療健康建模等方面有著豐富的咨詢經驗。他在華爾街金融行業工作了6年，在微軟工作了4年，這些經歷使他意識到應用數據科學教育和培訓材料的缺乏。為了幫助緩解這一問題，他一直在通過文字博客、視頻博客和教育材料傳播應用數據科學知識。
邁赫迪·洛佩伊（Mehdi Roopaei）
邁赫迪·洛佩伊（Mehdi Roopaei） 是IEEE、AIAA和ISA的高級成員。2011年獲Shiraz大學計算機工程博士學位，研究方向為動態系統的智能控制。2012年至2018年夏季，他在得克薩斯大學圣安東尼奧分校從事博士后研究工作；2018年秋季，他在威斯康星大學普拉特維爾分校擔任助理教授。他的研究興趣包括人工智能驅動的控制系統、數據驅動決策、機器學習和物聯網（IoT），以及沉浸式分析。他是IEEE Access的副主編，也是IoT Elsevier雜志的編委會成員。他還是IoT Elsevier特刊《IoT Analytics for Data Streams》的兼職編輯，出版了《Applied Cloud Deep Semantic Recognition: Advanced Anomaly Detection》（CRC Press, 2018）一書。他于2018年1月至7月在圣安東尼奧擔任IEEE聯合通信和信號處理社區分會主席。他發表了60多篇備受同行好評的技術論文，在多個會議上擔任項目委員會成員，并擔任多個期刊的技術審稿人。
譯者簡介：
劉世民（Sammy Liu）
現任易建科技云服務事業群總經理兼技術總監，易建科技技術委員會首席專家，具有十幾年IT從業經驗，曾就職于IBM和EMC，擔任過云計算創業公司CTO。他也是云計算技術愛好者、實踐者及推廣者，樂于總結和分享，維護有“世民談云計算”技術博客和微信公眾號。個人微信號Sammy605475。
山金孝（Warrior）
現就職于招商銀行，曾就職于IBM，在云計算、大數據、容器及其編排技術、機器學習和人工智能領域有豐富的研究和實踐經驗。國內較早接觸OpenStack的一線技術專家，長期致力于OpenStack私有云的研究、實踐和布道，OpenStack社區金融工作組成員，著有暢銷書《OpenStack高可用集群（上、下冊）》《企業私有云建設指南》。曾參與移動、電信、聯通、招行、國家電網和長安汽車等多家大中型國有企業的高可用業務系統和私有云計算平臺的設計與實施，在企業私有云建設、系統容災和高可用集群建設上具有多年的項目實施經驗。此外，他還是IBM認證的高級技術專家、DB2高級DBA，Oracle認證的OCP以及RedHat認證的系統工程師，在國內外核心期刊發表CVPR論文多篇。
史天
AWS解決方案架構師。曾在世紀互聯、惠普等知名公司任職，擁有豐富的云計算、大數據經驗，目前致力于數據科學、機器學習、無服務器等領域的研究和實踐。
肖力
新鈦云服技術副總裁，云技術社區創始人，《深度實踐KVM》作者，《運維前線》系列圖書策劃人。曾就職于盛大、金山，有19年運維經驗。維護有訂閱號“云技術”。個人微信號xiaolikvm。
書友推薦
- >
莉莉和章魚
- >
史學評論
- >
伊索寓言-世界文學名著典藏-全譯本
- >
推拿
- >
月亮與六便士
- >
名家帶你讀魯迅:故事新編
- >
伯納黛特,你要去哪(2021新版)
- >
朝聞道
本類暢銷
