人工智能開發(fā)實踐：云端機器學習導論（英文版）

第一部分 實用人工智能基礎
第1章 實用人工智能簡介
Python功能介紹
程序語句
字符串和字符串格式化
數(shù)字與算術(shù)運算
數(shù)據(jù)結(jié)構(gòu)
函數(shù)
在Python中使用控制結(jié)構(gòu)
for循環(huán)
while循環(huán)
if/else語句
生成器表達式
列表推導式
中級主題
進一步思考
第2章 人工智能與機器學習的工具鏈
Python數(shù)據(jù)科學生態(tài)系統(tǒng)：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn
R語言、RStudio、Shiny和ggplot
電子表格：Excel和Google表格
使用Amazon網(wǎng)絡服務開發(fā)云端AI
AWS上的Devops
持續(xù)交付
為AWS創(chuàng)建軟件開發(fā)環(huán)境
集成Jupyter Notebook
集成命令行工具
集成AWS CodePipeline
數(shù)據(jù)科學中的基本Docker容器設置_
其他構(gòu)建服務器：Jenkins、CircleCI、Codeship和Travis
小結(jié)
第3章 斯巴達式AI生命周期
實用生產(chǎn)反饋回路
AWS SageMaker
AWS Glue反饋回路
AWS批處理
基于Docker容器的反饋回路
小結(jié)
第二部分 云端人工智能
第4章 使用Google云平臺開發(fā)云端AI
Google云平臺概述
Colaboratory合作實驗工具
Datalab數(shù)據(jù)處理工具
使用Docker和Google容器注冊表擴展Datalab
使用Datalab啟動強大的機器
BigQuery云數(shù)據(jù)倉庫
Google云端AI服務
云端TPU和TensorFlow
小結(jié)
第5章 使用Amazon Web服務開發(fā)云端AI
在AWS上構(gòu)建增強現(xiàn)實和虛擬現(xiàn)實解決方案
計算機視覺：帶有EFS和Flask的ARNR管道
帶EFS、Flask和Pandas的數(shù)據(jù)工程管道
小結(jié)
第三部分 創(chuàng)建實際Al應用程序
第6章 預測社交媒體在NBA中的影響力
提出問題
收集具有挑戰(zhàn)性的數(shù)據(jù)源
收集運動員的Wikipedia頁面訪問量
收集運動員的Twitter參與度
探索NBA運動員數(shù)據(jù)
NBA球員的無監(jiān)督機器學習
使用R語言對NBA球員執(zhí)行分面聚類繪圖
匯總：球隊、球員、影響力和廣告代言
更多的實際進階與學習
小結(jié)
第7章 使用AWS創(chuàng)建智能的
Slack機器人
創(chuàng)建機器人
將庫轉(zhuǎn)換為命令行工具
使用AWS工作流服務將機器人提升到新水平
獲取IAM證書設置
建立工作流
小結(jié)
第8章 從GitHub組織中尋找項目管理的思考
軟件項目管理問題綜述
開始創(chuàng)建數(shù)據(jù)科學項目框架
收集和轉(zhuǎn)換數(shù)據(jù)
與GitHub組織交·流
創(chuàng)建特定領(lǐng)域的統(tǒng)計信息
將數(shù)據(jù)科學項目連接到CLI客戶端
使用Jupyter Notebook探索GitHub組織
查看CPython項目中的文件元數(shù)據(jù)
查看CPython項目中的已刪除文件
將項目部署到Python包索引庫
小結(jié)
第9章 動態(tài)優(yōu)化基于AWS的彈性計算云（EC2）實例
在AWS上運行作業(yè)
第10章 房地產(chǎn)數(shù)據(jù)研究
第11章 用戶生成內(nèi)容的生產(chǎn)環(huán)境AI
附錄A AI加速器
附錄B聚類大小的選擇
索引