機器學(xué)習(xí)即服務(wù)：將Python機器學(xué)習(xí)創(chuàng)意快速轉(zhuǎn)變?yōu)樵贫薟eb應(yīng)用程序

Contents 目　　錄

譯者序1

譯者序2

譯者序3

關(guān)于作者

關(guān)于技術(shù)審校者

前言

第1章　無服務(wù)器計算介紹1

1.1　一個簡單的本地Flask應(yīng)用程序1

1.2　在微軟Azure上使用無服務(wù)器計算4

1.2.1　操作步驟5

1.2.2　結(jié)論和附加信息12

1.3　在谷歌云上使用無服務(wù)器計算12

1.3.1　操作步驟13

1.3.2　結(jié)論和附加信息18

1.4　在Amazon AWS上使用無服務(wù)器計算19

1.4.1　操作步驟19

1.4.2　結(jié)論和附加信息24

1.5　在PythonAnywhere上托管應(yīng)用程序24

1.5.1　操作步驟25

1.5.2　結(jié)論和附加信息26

1.6　本章小結(jié)26

第2章　在Azure上進行共享單車回歸模型智能預(yù)測27

2.1　共享單車租賃需求回歸系數(shù)分析28

2.2　探索共享單車原始數(shù)據(jù)集28

2.2.1　下載UCI機器學(xué)習(xí)庫數(shù)據(jù)集29

2.2.2　Jupyter Notebook配置使用29

2.2.3　數(shù)據(jù)集探索31

2.2.4　預(yù)測結(jié)果變量分析33

2.2.5　量化特征與租賃統(tǒng)計34

2.2.6　分類特征研究35

2.3　數(shù)據(jù)建模準(zhǔn)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(chuàng)建分類數(shù)據(jù)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(fù)雜特征42

2.5　簡約模型44

2.5.1　簡單模型中的回歸系數(shù)提取44

2.5.2　R-Squared44

2.5.3　基于回歸系數(shù)的新數(shù)據(jù)預(yù)測46

2.6　共享單車租賃需求交互式Web應(yīng)用設(shè)計48

2.6.1　代碼可讀性與擴展性摘要48

2.6.2　構(gòu)建本地Flask應(yīng)用49

2.6.3　下載運行GitHub共享單車代碼50

2.6.4　Web應(yīng)用程序調(diào)試最佳實踐51

2.7　在微軟Azure上運行Web應(yīng)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(yīng)用程序腳本及技術(shù)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(jié)66

2.10　附加資源66

第3章　在GCP上基于邏輯回歸實現(xiàn)實時智能67

3.1　規(guī)劃Web應(yīng)用68

3.2　數(shù)據(jù)處理68

3.2.1　處理分類型數(shù)據(jù)71

3.2.2　從分類型數(shù)據(jù)創(chuàng)建虛擬特征75

3.3　建模75

3.3.1　訓(xùn)練和測試數(shù)據(jù)集拆分76

3.3.2　邏輯回歸77

3.3.3　預(yù)測幸存率78

3.4　準(zhǔn)備上云78

3.4.1　函數(shù)startup()79

3.4.2　函數(shù)submit_new_profile()79

3.4.3　使用HTML表單實現(xiàn)交互79

3.4.4　創(chuàng)建動態(tài)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(jié)90

第4章　在AWS上使用Gradient Boosting Machine進行預(yù)訓(xùn)練91

4.1　Web應(yīng)用程序規(guī)劃92

4.2　探索葡萄酒品質(zhì)數(shù)據(jù)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(shù)據(jù)預(yù)測101

4.5　設(shè)計Web應(yīng)用程序以交互評估葡萄酒品質(zhì)103

4.6　Ajax—服務(wù)器端動態(tài)Web渲染104

4.7　在虛擬環(huán)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(chuàng)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(fù)WSGIApplication-Group110

4.8.5　創(chuàng)建EB應(yīng)用程序111

4.8.6　查看應(yīng)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(jié)116

第5章　案例研究1：在Web和移動瀏覽器上預(yù)測股票市場117

5.1　配對交易策略118

5.2　下載和準(zhǔn)備數(shù)據(jù)119

5.2.1　準(zhǔn)備數(shù)據(jù)120

5.2.2　股票代碼透視121

5.3　價格市場數(shù)據(jù)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(shù)125

5.7　設(shè)計一個移動友好的Web應(yīng)用程序提供交易建議127

5.8　運行本地Flask應(yīng)用程序128

5.9　表單驗證130

5.10　在PythonAnywhere上運行應(yīng)用程序130

5.11　修復(fù)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(wǎng)站134

5.12　PythonAnywhere故障排查135

5.13　本章小結(jié)136

第6章　基于Azure和Google地圖的犯罪行為預(yù)測137

6.1　Web應(yīng)用程序規(guī)劃138

6.2　探索舊金山犯罪熱圖數(shù)據(jù)集138

6.2.1　數(shù)據(jù)清洗139

6.2.2　數(shù)據(jù)重分布140

6.2.3　周數(shù)據(jù)探索142

6.3　數(shù)據(jù)特征工程142

6.3.1　創(chuàng)建年度月份匯總數(shù)據(jù)特征143

6.3.2　創(chuàng)建時段數(shù)據(jù)特征144

6.3.3　時段特征數(shù)據(jù)集探索145

6.4　地理數(shù)據(jù)可視化146

6.4.1　地理坐標(biāo)位置繪制146

6.4.2　地理坐標(biāo)近似值區(qū)塊創(chuàng)建147

6.5　基于歷史數(shù)據(jù)的犯罪預(yù)測149

6.6　Google地圖152

6.7　熱力圖層153

6.8　犯罪數(shù)據(jù)在Google地圖上的應(yīng)用154

6.9　犯罪預(yù)測數(shù)據(jù)自定義提取155

6.10　設(shè)計Web應(yīng)用程序156

6.10.1　添加Google API密鑰157

6.10.2　本地運行Web應(yīng)用程序157

6.10.3　Azure公有云Git準(zhǔn)備157

6.10.4　Azure命令行接口工具160

6.10.5　故障排查164

6.10.6　資源清理166

6.11　本章小結(jié)166

第7章　在AWS上使用樸素貝葉斯和OpenWeather進行預(yù)測167

7.1　探索數(shù)據(jù)集167

7.2　樸素貝葉斯169

7.3　Sklearn中的GaussianNB170

7.4　實時天氣預(yù)報OpenWeatherMap171

7.4.1　使用天氣預(yù)測服務(wù)173

7.4.2　數(shù)據(jù)轉(zhuǎn)換174

7.5　設(shè)計Web應(yīng)用程序177

7.6　在AWS Elastic Beanstalk上運行應(yīng)用程序179

7.6.1　修復(fù)WSGIApplication-Group180

7.6.2　查看應(yīng)用程序181

7.6.3　記得終止實例182

7.7　本章小結(jié)184

7.7.1　訪問OpenWeatherMap數(shù)據(jù)184

7.7.2　捕獲異常184

7.7.3　處理用戶輸入的數(shù)據(jù)185

第8章　在GCP上基于TensorFlow實現(xiàn)交互式繪畫和數(shù)字預(yù)測186

8.1　MNIST數(shù)據(jù)集186

8.2　TensorFlow189

8.3　使用TensorFlow和卷積網(wǎng)絡(luò)建模189

8.3.1　構(gòu)建建模層190

8.3.2　損益函數(shù)191

8.3.3　實例化會話191

8.3.4　訓(xùn)練191

8.3.5　準(zhǔn)確度191

8.3.6　運行腳本192

8.4　準(zhǔn)備上云193

8.4.1　運行一個保存的TensorFlow模型193

8.4.2　保存模型194

8.4.3　畫布194

8.4.4　從畫布到TensorFlow195

8.4.5　測試新的手寫數(shù)字195

8.4.6　設(shè)計Web應(yīng)用程序196

8.4.7　下載Web應(yīng)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　問題排查201

8.5.4　收尾工作202

8.6　本章小結(jié)203

8.6.1　HTML5 標(biāo)簽203

8.6.2　TensorFlow203

8.6.3　設(shè)計203

第9章 　案例研究2：動態(tài)股票圖表顯示205

9.1　使用Matplotlib創(chuàng)建股票圖表205

9.2　探索配對交易圖表207

9.3　設(shè)計Web應(yīng)用程序210

9.4　具有移動友好性的表格211

9.5　上傳Web應(yīng)用程序到PythonAnywhere213

9.6　本章小結(jié)215

第10章　在GCP上使用奇異值分解實現(xiàn)推薦系統(tǒng)216

10.1　規(guī)劃Web應(yīng)用216

10.2　推薦系統(tǒng)簡介217

10.3　探索MovieLens數(shù)據(jù)集217

10.3.1　MovieLens數(shù)據(jù)集概況218

10.3.2　探索ratings.csv和movies.csv219

10.3.3　理解評級和評級文化221

10.3.4　給出推薦224

10.4　協(xié)同過濾226

10.4.1　相似性和距離測量工具227

10.4.2　歐幾里得距離227

10.4.3　余弦相似距離228

10.5　奇異值分解228

10.5.1　將電影評級集中到零周圍229

10.5.2　觀察SVD的行為229

10.6　準(zhǔn)備上云232

10.6.1　下載并在本地運行“下一部電影看什么？”232

10.6.2　代碼解釋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　問題排查240

10.7.3　收尾工作240

10.8　本章小結(jié)241

第11章　在Azure上使用NLP和可視化技術(shù)簡化復(fù)雜概念242

11.1　Web應(yīng)用規(guī)劃242

11.2　數(shù)據(jù)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文本數(shù)據(jù)清理247

11.6　NLP與正則表達式247

11.7　使用外部垃圾郵件關(guān)鍵字列表248

11.8　使用Sklearn庫TfidfVectorizer提取特征250

11.9　輸出變量準(zhǔn)備250

11.10　使用Sklearn庫隨機森林分類器建模251

11.10.1　模型性能測量252

11.10.2　模型閾值交互255

11.11　Web圖形化交互256

11.12　構(gòu)建本地Flask Web應(yīng)用257

11.13　將應(yīng)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　資源清理265

11.13.4　故障排查266

11.14　本章小結(jié)與附加資源268

第12章　案例研究3：使用基礎(chǔ)財務(wù)信息使內(nèi)容更豐富269

12.1　訪問股票上市公司名單269

12.2　使用維基百科API獲取公司信息271

12.3　構(gòu)建動態(tài)FinViz鏈接272

12.4　基礎(chǔ)消息探索273

12.5　設(shè)計Web應(yīng)用程序274

12.6　上傳Web應(yīng)用程序到PythonAnywhere276

12.7　本章小結(jié)281

第13章　使用Google Analytics282

13.1　創(chuàng)建Google Analytics賬戶282

13.2　JavaScript跟蹤器283

13.3　閱讀分析報告284

13.4　流量來源286

13.5　頁面286

13.6　本章小結(jié)與附加資源287

第14章　在PythonAnywhere上使用A/B測試和MySQL數(shù)據(jù)庫288

14.1　A/B測試289

14.1.1　用戶跟蹤290

14.1.2　通用唯一標(biāo)識符290

14.2　MySQL290

14.2.1　使用命令行啟動和停止服務(wù)292

14.2.2　MySQL命令行監(jiān)視器293

14.2.3　創(chuàng)建數(shù)據(jù)庫293

14.2.4　創(chuàng)建數(shù)據(jù)表294

14.2.5　創(chuàng)建數(shù)據(jù)庫用戶295

14.3　Python庫：mysql.connector295

14.3.1　SELECT SQL語句296

14.3.2　INSERT SQL語句296

14.3.3　UPDATE SQL語句297

14.4　將代碼抽象為函數(shù)298

14.5　設(shè)計Web應(yīng)用程序300

14.6　在PythonAnywhere上設(shè)置MySQL300

14.7　在PythonAnywhere上進行A/B測試302

14.8　A/B測試結(jié)果304

14.9　本章小結(jié)304

第15章　從訪問者到訂閱者306

15.1　基于文本的身份驗證306

15.1.1　Flask-HTTPAuth硬編碼賬戶307

15.1.2　摘要式身份驗證示例308

15.1.3　使用外部文本文件的摘要式身份驗證示例309

15.2　簡單訂閱插件系統(tǒng)311

15.2.1　用Memberful進行銷售311

15.2.2　用PayPal進行捐贈315

15.2.3　用Stripe進行購買317

15.3　本章小結(jié)321

第16章　案例研究4：使用Memberful構(gòu)建訂閱付費墻322

16.1　升級Memberful和Python-Anywhere支付賬戶323

16.1.1　升級Memberful323

16.1.2　升級PythonAnywhere326

16.1.3　使用pip安裝Flask-SSLify326

16.2　Memberful用戶驗證327

16.2.1　兩步流程和Flask會話機制327

16.2.2　身份驗證第1步328

16.2.3　身份驗證第2步328

16.2.4　調(diào)用Memberful函數(shù)330

16.3　設(shè)計Web應(yīng)用程序331

16.3.1　在Memberful.com上設(shè)計一個訂閱計劃331

16.3.2　將Web應(yīng)用程序上傳到PythonAnywhere333

16.3.3　在Memberful和MySQL中替換你自己的憑據(jù)335

16.4　代碼解釋336

16.4.1　main.py336

16.4.2　welcome.html336

16.4.3　index.html337

16.5　本章小結(jié)338

第17章　關(guān)閉所有資源339