人工智能開(kāi)發(fā)實(shí)踐：云端機(jī)器學(xué)習(xí)導(dǎo)論
定 價(jià)：89 元
叢書名：智能系統(tǒng)與技術(shù)叢書
當(dāng)前圖書已被 34 所學(xué)校薦購(gòu)過(guò)！
查看明細(xì)
- 作者：[美]挪亞·吉夫特(Noah Gift)
- 出版時(shí)間：2020/5/1
- ISBN：9787111653585
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP181
- 頁(yè)碼：0
- 紙張：
- 版次：
- 開(kāi)本：16開(kāi)
務(wù)實(shí)地解決AI問(wèn)題需要更多地關(guān)注結(jié)果而不僅是技術(shù)。歸根結(jié)底，花費(fèi)數(shù)月時(shí)間為一些永遠(yuǎn)無(wú)法投入生產(chǎn)的任務(wù)選擇*佳的機(jī)器學(xué)習(xí)算法只是徒勞無(wú)功和浪費(fèi)金錢。將更多的機(jī)器學(xué)習(xí)技術(shù)投入到生產(chǎn)過(guò)程的一種方式就是停止辛勤工作，使用云提供商提供的現(xiàn)成解決方案是避免這種辛勤工作的強(qiáng)大技術(shù)。從英雄驅(qū)動(dòng)式開(kāi)發(fā)轉(zhuǎn)向鼓勵(lì)業(yè)務(wù)連續(xù)性和交付解決方案的組織行為對(duì)各方都有益處。
贊譽(yù)
譯者序
前言
致謝
作者簡(jiǎn)介
第一部分 實(shí)用人工智能基礎(chǔ)
第1章 實(shí)用人工智能簡(jiǎn)介2
1.1 Python功能介紹3
1.1.1 程序語(yǔ)句4
1.1.2 字符串和字符串格式化6
1.1.3 數(shù)字與算術(shù)運(yùn)算8
1.1.4 數(shù)據(jù)結(jié)構(gòu)10
1.1.5 函數(shù)12
1.2 在Python中使用控制結(jié)構(gòu)19
1.2.1 for循環(huán)20
1.2.2 while循環(huán)21
1.2.3 if/else語(yǔ)句21
1.2.4 生成器表達(dá)式22
1.2.5 列表推導(dǎo)式23
1.2.6 中級(jí)主題23
1.3 進(jìn)一步思考26
第2章 人工智能與機(jī)器學(xué)習(xí)的工具鏈28
2.1 Python數(shù)據(jù)科學(xué)生態(tài)系統(tǒng)：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29
2.2 R語(yǔ)言、RStudio、Shiny和ggplot30
2.3 電子表格：Excel和Google表格30
2.4 使用Amazon網(wǎng)絡(luò)服務(wù)開(kāi)發(fā)云端AI 31
2.5 AWS上的DevOps31
2.5.1 持續(xù)交付31
2.5.2 為AWS創(chuàng)建軟件開(kāi)發(fā)環(huán)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(shù)據(jù)科學(xué)中的基本Docker容器設(shè)置49
2.7 其他構(gòu)建服務(wù)器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結(jié)50
第3章 斯巴達(dá)式AI生命周期51
3.1 實(shí)用生產(chǎn)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(jié)64
第二部分 云端人工智能
第4章 使用Google云平臺(tái)開(kāi)發(fā)云端AI66
4.1 Google云平臺(tái)概述67
4.2 Colaboratory合作實(shí)驗(yàn)工具68
4.3 Datalab數(shù)據(jù)處理工具70
4.3.1 使用Docker和Google容器注冊(cè)表擴(kuò)展Datalab70
4.3.2 使用Datalab啟動(dòng)強(qiáng)大的機(jī)器71
4.4 BigQuery云數(shù)據(jù)倉(cāng)庫(kù)73
4.5 Google云端AI服務(wù)76
4.6 云端TPU和TensorFlow79
4.7 小結(jié)82
第5章 使用Amazon Web服務(wù)開(kāi)發(fā)云端AI 83
5.1 在AWS上構(gòu)建增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)解決方案85
5.1.1 計(jì)算機(jī)視覺(jué)：帶有EFS和Flask的AR/VR管道86
5.1.2 帶EFS、Flask和Pandas的數(shù)據(jù)工程管道88
5.2 小結(jié)102
第三部分 創(chuàng)建實(shí)際AI應(yīng)用程序
第6章 預(yù)測(cè)社交媒體在NBA中的影響力104
6.1 提出問(wèn)題104
6.2 收集具有挑戰(zhàn)性的數(shù)據(jù)源123
6.2.1 收集運(yùn)動(dòng)員的Wikipedia頁(yè)面訪問(wèn)量123
6.2.2 收集運(yùn)動(dòng)員的Twitter參與度129
6.2.3 探索NBA運(yùn)動(dòng)員數(shù)據(jù)132
6.3 NBA球員的無(wú)監(jiān)督機(jī)器學(xué)習(xí)136
6.3.1 使用R語(yǔ)言對(duì)NBA球員執(zhí)行分面聚類繪圖136
6.3.2 匯總：球隊(duì)、球員、影響力和廣告代言138
6.4 更多的實(shí)際進(jìn)階與學(xué)習(xí)140
6.5 小結(jié)141
第7章 使用AWS創(chuàng)建智能的Slack機(jī)器人142
7.1 創(chuàng)建機(jī)器人142
7.2 將庫(kù)轉(zhuǎn)換為命令行工具143
7.3 使用AWS工作流服務(wù)將機(jī)器人提升到新水平145
7.4 獲取IAM證書設(shè)置146
7.5 建立工作流155
7.6 小結(jié)157
第8章 從GitHub組織中尋找項(xiàng)目管理的思考158
8.1 軟件項(xiàng)目管理問(wèn)題綜述158
8.2 開(kāi)始創(chuàng)建數(shù)據(jù)科學(xué)項(xiàng)目框架160
8.3 收集和轉(zhuǎn)換數(shù)據(jù)162
8.4 與GitHub組織交流164
8.5 創(chuàng)建特定領(lǐng)域的統(tǒng)計(jì)信息165
8.6 將數(shù)據(jù)科學(xué)項(xiàng)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(xiàng)目中的文件元數(shù)據(jù)171
8.9 查看CPython項(xiàng)目中的已刪除文件174
8.10 將項(xiàng)目部署到Python包索引庫(kù)177
8.11 小結(jié)179
第9章 動(dòng)態(tài)優(yōu)化基于AWS的彈性計(jì)算云（EC2）實(shí)例181
9.1 在AWS上運(yùn)行作業(yè)181
9.1.1 EC2 Spot實(shí)例181
9.1.2 Spot實(shí)例理論和定價(jià)歷史182
9.1.3 編寫Spot實(shí)例啟動(dòng)程序191
9.1.4 編寫更復(fù)雜的Spot實(shí)例啟動(dòng)程序196
9.2 小結(jié)197
第10章 房地產(chǎn)數(shù)據(jù)研究199
10.1 美國(guó)房地產(chǎn)價(jià)值探索199
10.2 Python中的交互式數(shù)據(jù)可視化201
10.3 規(guī)模等級(jí)和價(jià)格聚類203
10.4 小結(jié)209
第11章 用戶生成內(nèi)容的生產(chǎn)環(huán)境AI211
11.1 Netflix獎(jiǎng)未在生產(chǎn)中實(shí)施212
11.2 推薦系統(tǒng)的基本概念213
11.3 在Python中使用Surprise 框架213
11.4 推薦系統(tǒng)的云解決方案216
11.5 推薦系統(tǒng)的實(shí)際生產(chǎn)問(wèn)題216
11.6 云端自然語(yǔ)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(chǎn)型無(wú)服務(wù)器NLP AI管道227
11.7 小結(jié)233
附錄A AI加速器234
附錄B 聚類大小的選擇236
書單推薦
