人工智能开发实践：云端机器学习导论（英文版）
| 作者 |
| [美] 挪亚·吉夫特(Noah Gift) |
| 丛书名 |
| 经典原版书库 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111654025 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书不仅解释了如何将机器学习应用于大型数据集，还为技术反馈循环提供了一个有价值的视角。同时将帮助你逐步构建基于云的AI/ML应用程序，以解决体育营销、项目管理、产品定价、房地产等方面的实际问题。无论你是商业专业人士、决策者、学生还是程序员，本书介绍的案例研究都将有助于你解决几乎任何环境中的数据科学问题。 |
| 目录 |
| 第一部分 实用人工智能基础 第1章 实用人工智能简介3 Python功能介绍4 程序语句4 字符串和字符串格式化6 数字与算术运算8 数据结构9 函数11 在Python中使用控制结构18 for循环18 while循环19 if/else语句20 生成器表达式20 列表推导式21 中级主题21 进一步思考24 第2章 人工智能与机器学习的工具链27 Python数据科学生态系统：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn27 R语言、RStudio、Shiny和ggplot28 电子表格：Excel和Google表格28 使用Amazon网络服务开发云端AI 29 AWS上的DevOps29 持续交付 29 为AWS创建软件开发环境 30 集成Jupyter Notebook 35 集成命令行工具 38 集成AWS CodePipeline 41 数据科学中的基本Docker容器设置45 其他构建服务器：Jenkins、CircleCI、Codeship和Travis46 小结46 第3章 斯巴达式AI生命周期47 实用生产反馈回路47 AWS SageMaker50 AWS Glue反馈回路51 AWS批处理55 基于Docker容器的反馈回路56 小结58 第二部分 云端人工智能 第4章 使用Google云平台开发云端AI61 Google云平台概述62 Colaboratory合作实验工具62 Datalab数据处理工具64 使用Docker和Google容器注册表扩展Datalab 64 使用Datalab启动强大的机器 65 BigQuery云数据仓库67 Google云端AI服务69 云端TPU和TensorFlow72 小结74 第5章 使用Amazon Web服务开发云端AI 75 在AWS上构建增强现实和虚拟现实解决方案77 计算机视觉：带有EFS和Flask的AR/VR管道 77 带EFS、Flask和Pandas的数据工程管道 79 小结93 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97 提出问题97 收集具有挑战性的数据源116 收集运动员的Wikipedia页面访问量 116 收集运动员的Twitter参与度 120 探索NBA运动员数据 123 NBA球员的无监督机器学习126 使用R语言对NBA球员执行分面聚类绘图 127 汇总：球队、球员、影响力和广告代言 129 更多的实际进阶与学习131 小结132 第7章 使用AWS创建智能的Slack机器人133 创建机器人133 将库转换为命令行工具134 使用AWS工作流服务将机器人提升到新水平136 获取IAM证书设置136 建立工作流144 小结146 第8章 从GitHub组织中寻找项目管理的思考147 软件项目管理问题综述147 开始创建数据科学项目框架149 收集和转换数据150 与GitHub组织交·流152 创建特定领域的统计信息153 将数据科学项目连接到CLI客户端154 使用Jupyter Notebook探索GitHub 组织156 查看CPython项目中的文件元数据158 查看CPython项目中的已删除文件161 将项目部署到Python包索引库164 小结166 第9章 动态优化基于AWS的弹性计算云（EC2）实例167 在AWS上运行作业167 EC2 Spot实例 167 Spot实例理论和定价历史 168 编写Spot实例启动程序 176 编写更复杂的Spot实例启动程序 181 小结182 第10章 房地产数据研究183 美国房地产价值探索183 Python中的交互式数据可视化185 规模等级和价格聚类187 小结194 第11章 用户生成内容的生产环境AI195 Netflix奖未在生产中实施196 推荐系统的基本概念196 在Python中使用Surprise 框架197 推荐系统的云解决方案199 推荐系统的实际生产问题200 云端自然语言处理和情绪分析204 Azure上的NLP 204 GCP上的NLP 208 AWS上的生产型无服务器NLP AI管道 210 小结215 附录A AI加速器217 附录B 聚类大小的选择219 索 引221 Contents I: Introduction to Pragmatic AI 1 1 Introduction to Pragmatic AI 3 Functional Introduction to Python 4 Procedural Statements 4 Strings and String Formatting 6 Numbers and Arithmetic Operations 8 Data Structures 9 Functions 11 Using Control Structures in Python 18 for Loops 18 while Loops 19 if/else 20 Generator Expression 20 List Comprehension 21 Intermediate Topics 21 Final Thoughts 24 2 AI and ML Toolchain 27 Python Data Science Ecosystem: IPython, Pandas, NumPy, Jupyter Notebook, scikit-learn 27 R, RStudio, Shiny, and ggplot 28 Spreadsheets: Excel and Google Sheets 28 Cloud AI Development with Amazon Web Services 29 DevOps on AWS 29 Continuous Delivery 29 Creating a Software Development Environment for AWS 30 Integrating Jupyter Notebook 35 Integrating Command-Line Tools 38 Integrating AWS CodePipeline 41 Basic Docker Setup for Data Science 45 Other Build Servers: Jenkins, CircleCI, and Travis 46 Summary 46 3 Spartan AI Lifecycle 47 Pragmatic Production Feedback Loop 47 AWS SageMaker 50 AWS Glue Feedback Loop 51 AWS Batch 55 Docker-based Feedback Loops 56 Summary 58 II: AI in the Cloud 59 4 Cloud AI Development with Google Cloud Platform 61 GCP Overview 62 Colaboratory 62 Datalab 64 Extending Datalab with Docker and Google Container Registry 64 Launching Powerful Machines with Datalab 65 BigQuery 67 Google Cloud AI Services 69 Cloud TPU and TensorFlow 72 Summary 74 5 Cloud AI Development with Amazon Web Services 75 Building Augmented Reality and Virtual Reality Solutions.on AWS 77 Computer Vision: AR/VR Pipelines with EFS and Flask 77 Data Engineering Pipeline with EFS, Flask, and Pandas 79 Summary 93 III: Creating Practical AI Applications from Scratch 95 6 Predicting Social-Media Influence in the NBA 97 Phrasing the Problem 97 Collecting Challenging Data Sources 116 Collecting Wikipedia Pageviews for Athletes 116 Collecting Twitter Engagement for Athletes 120 Exploring NBA Athlete Data 123 Unsupervised Machine Learning on NBA Players 126 Faceting Cluster Plotting in R on NBA Players 127 Putting it All Together: Teams, Players, Power, and Endorsements 129 Further Pragmatic Steps and Learnings 131 Summary 132 7 Creating an Intelligent Slackbot on AWS 133 Creating a Bot 133 Converting the Library into a Command-Line Tool 134 Taking the Bot to the Next Level with AWS Step Functions 136 Getting IAM Credentials Set Up 136 Building Out the Step Function 144 Summary 146 8 Finding Project Management Insights from a GitHub Organization 147 Overview of the Problems in Software Project Management 147 Creating an Initial Data Science Project Skeleton 149 Collecting and Transforming the Data 150 Talking to an Entire GitHub Organization 152 Creating Domain-specific Stats 153 Wiring a Data Science Project into a CLI 154 Using Jupyter Notebook to Explore a GitHub Organization 156 Looking at File Metadata in the CPython Project 158 Looking at Deleted Files in the CPython Project 161 Deploying a Project to the Python Package Index 164 Summary 166 9 Dynamically Optimizing EC2 Instances on AWS 167 Running Jobs on AWS 167 Spot Instances 167 Spot Instances Theory and Pricing History 168 Writing a Spot Instance Launcher 176 Writing a More Sophisticated Spot Instance Launcher 181 Summary 182 10 Real Estate 183 Exploring Real Estate Values in the United States 183 Interactive Data Visualization in Python 185 Clustering on Size Rank and Price 187 Summary 194 11 Production AI for User-Generated Content 195 The Netflix Prize Wasn’t Implemented in Production 196 Key Concepts in Recommendation Systems 196 Using the Surprise Framework in Python 197 Cloud Solutions to Recommendation Systems 199 Real-World Production Issues with Recommendations 200 Cloud NLP and Sentiment Analysis 204 NLP on Azure 204 NLP on GCP 208 Production Serverless AI Pipeline for NLP on AWS 210 Summary 215 A AI Accelerators 217 B Deciding on Cluster Size 219 Index 221 |
有问题微信扫码联系