中圖網小程序
一鍵登錄
更方便
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人工智能開發實踐:云端機器學習導論 版權信息
- ISBN：9787111653585
- 條形碼：9787111653585 ; 978-7-111-65358-5
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能系統與技術叢書人工智能開發實踐:云端機器學習導論 本書特色
本書講解Amazon、Google和Microsoft公司的強大云服務產品，以及Python數據科學生態系統的成熟技術，所介紹的工作流程和案例涉及從部署到生產各個環節，通過使用當代機器學習、人工智能和云計算工具逐步構建多種云端機器學習應用程序（覆蓋體育、項目管理、產品定價、房地產等領域中的實際問題），幫助你構建可擴展并能交付于生產的解決方案。
通過本書，你將能夠：
快速查看構建機器學習應用程序所需的Python代碼。
掌握人工智能和機器學習工具鏈以及項目生命周期。
使用Python數據科學工具，包括IPython、Pandas、NumPy、Juypter Notebook和scikit-learn。
結合實用高效的反饋回路不斷提高工作流程和系統的效率。
使用Google云平臺產品，包括TPU處理器、Colaboratory合作實驗工具及Datalab服務。本書講解Amazon、Google和Microsoft公司的強大云服務產品，以及Python數據科學生態系統的成熟技術，所介紹的工作流程和案例涉及從部署到生產各個環節，通過使用當代機器學習、人工智能和云計算工具逐步構建多種云端機器學習應用程序（覆蓋體育、項目管理、產品定價、房地產等領域中的實際問題），幫助你構建可擴展并能交付于生產的解決方案。
通過本書，你將能夠：
快速查看構建機器學習應用程序所需的Python代碼。
掌握人工智能和機器學習工具鏈以及項目生命周期。
使用Python數據科學工具，包括IPython、Pandas、NumPy、Juypter Notebook和scikit-learn。
結合實用高效的反饋回路不斷提高工作流程和系統的效率。
使用Google云平臺產品，包括TPU處理器、Colaboratory合作實驗工具及Datalab服務。
定義AWS云AI工作流程，包括Spot實例、CodePipeline、Boto、無服務器、SageMaker等。
使用Microsoft Azure云AI API。
構建6個完整的交付型AI應用程序。
智能系統與技術叢書人工智能開發實踐:云端機器學習導論 內容簡介
務實地解決AI問題需要更多地關注結果而不僅是技術。歸根結底，花費數月時間為一些永遠無法投入生產的任務選擇*佳的機器學習算法只是徒勞無功和浪費金錢。將更多的機器學習技術投入到生產過程的一種方式就是停止辛勤工作，使用云提供商提供的現成解決方案是避免這種辛勤工作的強大技術。從英雄驅動式開發轉向鼓勵業務連續性和交付解決方案的組織行為對各方都有益處。
智能系統與技術叢書人工智能開發實踐:云端機器學習導論 目錄
贊譽
譯者序
前言
致謝
作者簡介
**部分 實用人工智能基礎
第1章 實用人工智能簡介2
1.1 Python功能介紹3
1.1.1 程序語句4
1.1.2 字符串和字符串格式化6
1.1.3 數字與算術運算8
1.1.4 數據結構10
1.1.5 函數12
1.2 在Python中使用控制結構19
1.2.1 for循環20
1.2.2 while循環21
1.2.3 if/else語句21
1.2.4 生成器表達式22
1.2.5 列表推導式23
1.2.6 中級主題23
1.3 進一步思考26
第2章 人工智能與機器學習的工具鏈28
2.1 Python數據科學生態系統：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29
2.2 R語言、RStudio、Shiny和ggplot30
2.3 電子表格：Excel和Google表格30
2.4 使用Amazon網絡服務開發云端AI 31
2.5 AWS上的DevOps31
2.5.1 持續交付31
2.5.2 為AWS創建軟件開發環境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 數據科學中的基本Docker容器設置49
2.7 其他構建服務器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結50
第3章 斯巴達式AI生命周期51
3.1 實用生產反饋回路52
3.2 AWS SageMaker55
3.3 AWS Glue反饋回路56
3.4 AWS批處理60
3.5 基于Docker容器的反饋回路62
3.6 小結64
第二部分 云端人工智能
第4章 使用Google云平臺開發云端AI66
4.1 Google云平臺概述67
4.2 Colaboratory合作實驗工具68
4.3 Datalab數據處理工具70
4.3.1 使用Docker和Google容器注冊表擴展Datalab70
4.3.2 使用Datalab啟動強大的機器71
4.4 BigQuery云數據倉庫73
4.5 Google云端AI服務76
4.6 云端TPU和TensorFlow79
4.7 小結82
第5章 使用Amazon Web服務開發云端AI 83
5.1 在AWS上構建增強現實和虛擬現實解決方案85
5.1.1 計算機視覺：帶有EFS和Flask的AR/VR管道86
5.1.2 帶EFS、Flask和Pandas的數據工程管道88
5.2 小結102
第三部分 創建實際AI應用程序
第6章 預測社交媒體在NBA中的影響力104
6.1 提出問題104
6.2 收集具有挑戰性的數據源123
6.2.1 收集運動員的Wikipedia頁面訪問量123
6.2.2 收集運動員的Twitter參與度129
6.2.3 探索NBA運動員數據132
6.3 NBA球員的無監督機器學習136
6.3.1 使用R語言對NBA球員執行分面聚類繪圖136
6.3.2 匯總：球隊、球員、影響力和廣告代言138
6.4 更多的實際進階與學習140
6.5 小結141
第7章 使用AWS創建智能的Slack機器人142
7.1 創建機器人142
7.2 將庫轉換為命令行工具143
7.3 使用AWS工作流服務將機器人提升到新水平145
7.4 獲取IAM證書設置146
7.5 建立工作流155
7.6 小結157
第8章 從GitHub組織中尋找項目管理的思考158
8.1 軟件項目管理問題綜述158
8.2 開始創建數據科學項目框架160
8.3 收集和轉換數據162
8.4 與GitHub組織交流164
8.5 創建特定領域的統計信息165
8.6 將數據科學項目連接到CLI客戶端167
8.7 使用Jupyter Notebook探索GitHub 組織169
8.8 查看CPython項目中的文件元數據171
8.9 查看CPython項目中的已刪除文件174
8.10 將項目部署到Python包索引庫177
8.11 小結179
第9章 動態優化基于AWS的彈性計算云（EC2）實例181
9.1 在AWS上運行作業181
9.1.1 EC2 Spot實例181
9.1.2 Spot實例理論和定價歷史182
9.1.3 編寫Spot實例啟動程序191
9.1.4 編寫更復雜的Spot實例啟動程序196
9.2 小結197
第10章 房地產數據研究199
10.1 美國房地產價值探索199
10.2 Python中的交互式數據可視化201
10.3 規模等級和價格聚類203
10.4 小結209
第11章 用戶生成內容的生產環境AI211
11.1 Netflix獎未在生產中實施212
11.2 推薦系統的基本概念213
11.3 在Python中使用Surprise 框架213
11.4 推薦系統的云解決方案216
11.5 推薦系統的實際生產問題216
11.6 云端自然語言處理和情緒分析221
11.6.1 Azure上的NLP221
11.6.2 GCP上的NLP224
11.6.3 AWS上的生產型無服務器NLP AI管道227
11.7 小結233
附錄A AI加速器234
附錄B 聚類大小的選擇236
譯者序
前言
致謝
作者簡介
**部分 實用人工智能基礎
第1章 實用人工智能簡介2
1.1 Python功能介紹3
1.1.1 程序語句4
1.1.2 字符串和字符串格式化6
1.1.3 數字與算術運算8
1.1.4 數據結構10
1.1.5 函數12
1.2 在Python中使用控制結構19
1.2.1 for循環20
1.2.2 while循環21
1.2.3 if/else語句21
1.2.4 生成器表達式22
1.2.5 列表推導式23
1.2.6 中級主題23
1.3 進一步思考26
第2章 人工智能與機器學習的工具鏈28
2.1 Python數據科學生態系統：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29
2.2 R語言、RStudio、Shiny和ggplot30
2.3 電子表格：Excel和Google表格30
2.4 使用Amazon網絡服務開發云端AI 31
2.5 AWS上的DevOps31
2.5.1 持續交付31
2.5.2 為AWS創建軟件開發環境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 數據科學中的基本Docker容器設置49
2.7 其他構建服務器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結50
第3章 斯巴達式AI生命周期51
3.1 實用生產反饋回路52
3.2 AWS SageMaker55
3.3 AWS Glue反饋回路56
3.4 AWS批處理60
3.5 基于Docker容器的反饋回路62
3.6 小結64
第二部分 云端人工智能
第4章 使用Google云平臺開發云端AI66
4.1 Google云平臺概述67
4.2 Colaboratory合作實驗工具68
4.3 Datalab數據處理工具70
4.3.1 使用Docker和Google容器注冊表擴展Datalab70
4.3.2 使用Datalab啟動強大的機器71
4.4 BigQuery云數據倉庫73
4.5 Google云端AI服務76
4.6 云端TPU和TensorFlow79
4.7 小結82
第5章 使用Amazon Web服務開發云端AI 83
5.1 在AWS上構建增強現實和虛擬現實解決方案85
5.1.1 計算機視覺：帶有EFS和Flask的AR/VR管道86
5.1.2 帶EFS、Flask和Pandas的數據工程管道88
5.2 小結102
第三部分 創建實際AI應用程序
第6章 預測社交媒體在NBA中的影響力104
6.1 提出問題104
6.2 收集具有挑戰性的數據源123
6.2.1 收集運動員的Wikipedia頁面訪問量123
6.2.2 收集運動員的Twitter參與度129
6.2.3 探索NBA運動員數據132
6.3 NBA球員的無監督機器學習136
6.3.1 使用R語言對NBA球員執行分面聚類繪圖136
6.3.2 匯總：球隊、球員、影響力和廣告代言138
6.4 更多的實際進階與學習140
6.5 小結141
第7章 使用AWS創建智能的Slack機器人142
7.1 創建機器人142
7.2 將庫轉換為命令行工具143
7.3 使用AWS工作流服務將機器人提升到新水平145
7.4 獲取IAM證書設置146
7.5 建立工作流155
7.6 小結157
第8章 從GitHub組織中尋找項目管理的思考158
8.1 軟件項目管理問題綜述158
8.2 開始創建數據科學項目框架160
8.3 收集和轉換數據162
8.4 與GitHub組織交流164
8.5 創建特定領域的統計信息165
8.6 將數據科學項目連接到CLI客戶端167
8.7 使用Jupyter Notebook探索GitHub 組織169
8.8 查看CPython項目中的文件元數據171
8.9 查看CPython項目中的已刪除文件174
8.10 將項目部署到Python包索引庫177
8.11 小結179
第9章 動態優化基于AWS的彈性計算云（EC2）實例181
9.1 在AWS上運行作業181
9.1.1 EC2 Spot實例181
9.1.2 Spot實例理論和定價歷史182
9.1.3 編寫Spot實例啟動程序191
9.1.4 編寫更復雜的Spot實例啟動程序196
9.2 小結197
第10章 房地產數據研究199
10.1 美國房地產價值探索199
10.2 Python中的交互式數據可視化201
10.3 規模等級和價格聚類203
10.4 小結209
第11章 用戶生成內容的生產環境AI211
11.1 Netflix獎未在生產中實施212
11.2 推薦系統的基本概念213
11.3 在Python中使用Surprise 框架213
11.4 推薦系統的云解決方案216
11.5 推薦系統的實際生產問題216
11.6 云端自然語言處理和情緒分析221
11.6.1 Azure上的NLP221
11.6.2 GCP上的NLP224
11.6.3 AWS上的生產型無服務器NLP AI管道227
11.7 小結233
附錄A AI加速器234
附錄B 聚類大小的選擇236
展開全部
智能系統與技術叢書人工智能開發實踐:云端機器學習導論 相關資料
“本書是一部全面的指南，彌補了人工智能要做的事情和部署實際項目要解決的棘手問題之間的差距。它清晰、實用，遠遠不止介紹Python和AI算法。” —Christopher Brousseau，企業人工智能平臺Surface Owl創始人和CEO “我對本書的喜愛、贊美之情難以形容，本書對于任何技術發燒友都是極好的補充資料！Noah Gift真正讓本書成為一部實用指南，它適用于任何機器學習行業的人士。本書不僅解釋了如何將機器學習應用于大型數據集，還對技術反饋回路提供了有價值的觀點。本書將使許多數據科學與開發團隊受益，讓他們從一開始就能高效地創建和維護應用程序。” —Nivas Durairaj，AWS技術客戶經理（AWS注冊專業架構師） “如果你希望深入研究產品級品質的機器學習管道和工具，從而真正幫助你的數據工程、數據科學或數據開發運維團隊，那么本書就是一本很好的讀物。即使是經驗豐富的開發人員，也常常會發現自己在低生產率的任務上浪費時間。通常，軟件書籍和大學課堂并沒有講述投入生產所需的步驟。Noah在尋求軟件部署的實用方法方面很有天賦，這些實用方法可以真正加快開發和交付過程。他專注并致力于實現非常獨特的快速軟件解決方案。 “建立產品級品質的機器學習管道的關鍵是自動化。工程師在研究階段或原型階段可以人工完成的任務及步驟必須自動化和規模化，以便創建生產系統。本書充滿了實用且有趣的實踐實例，它們將幫助Python開發人員實現自動化并將管道擴展到云端。 “我目前在一家在線房地產公司的Roofstock.com房地產平臺上工作，主要工作涉及大數據、機器學習管道、Python、AWS、Google云和Azure，該平臺分析數據庫接近5億條記錄！我在本書中找到了很多實用技巧和實踐實例，它們立即提升了我的工作效率。特此推薦本書！” —Michael Vierling，房地產平臺Roofstock.com首席工程師
智能系統與技術叢書人工智能開發實踐:云端機器學習導論 作者簡介
挪亞·吉夫特 （Noah Gift） 加州大學戴維斯分校工商管理研究生院機器學習課程講師，是AWS認證的架構師，也是AWS云端機器學習專家，長期為包括初創公司在內的企業提供機器學習、云架構和CTO級別的咨詢服務。 ◆ 譯者簡介 ◆ 袁志勇 武漢大學人工智能研究院教授、博士生導師，中國計算機學會（CCF）高級會員，CCF虛擬現實與可視化專委會委員，中國人工智能學會（CAAI）高級會員，CAAI智能交互專委會委員。多年來一直從事人工智能與機器學習、虛擬現實與人機交互、嵌入式系統與智能硬件等方向的教學與研究工作。
書友推薦
- >
姑媽的寶刀
- >
月亮虎
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
莉莉和章魚
- >
朝聞道
- >
詩經-先民的歌唱
- >
羅庸西南聯大授課錄
- >
名家帶你讀魯迅:故事新編
本類暢銷
