人工智能開發(fā)實踐：云端機器學(xué)習(xí)導(dǎo)論

贊譽
譯者序
前言
致謝
作者簡介
第一部分 實用人工智能基礎(chǔ)
第1章 實用人工智能簡介
1．1 Python功能介紹
1．1．1 程序語句
1．1．2 字符串和字符串格式化
1．1．3 數(shù)字與算術(shù)運算
1．1．4 數(shù)據(jù)結(jié)構(gòu)
1．1．5 函數(shù)
1．2 在Python中使用控制結(jié)構(gòu)
1．2．1 for循環(huán)
1．2．2 while循環(huán)
1．2．3 if-else語句
1．2．4 生成器表達式
1．2．5 列表推導(dǎo)式
1．2．6 中級主題
1．3 進一步思考
第2章 人工智能與機器學(xué)習(xí)的工具鏈
2．1 Python數(shù)據(jù)科學(xué)生態(tài)系統(tǒng)：IPython、Pandas、NumPy、Jupyter tebook、scikit-learn
2．2 R語言、RStudio、Shiny和ggplot
2．3 電子表格：Ecel和Google表格
2．4 使用Amazon網(wǎng)絡(luò)服務(wù)開發(fā)云端AI
2．5 AWS上的DevOps
2．5．1 持續(xù)交付
2．5．2 為AWS創(chuàng)建軟件開發(fā)環(huán)境
2．5．3 集成Jupyter tebook
2．5．4 集成命令行工具
2．5．5 集成AWS CodePipeline
2．6 數(shù)據(jù)科學(xué)中的基本Docker容器設(shè)置
2．7 其他構(gòu)建服務(wù)器：Jenkins、CircleCI、Codeship和Travis
2．8 小結(jié)
第3章 斯巴達式AI生命周期
3．1 實用生產(chǎn)反饋回路
3．2 AWS SageMaker
3．3 AWS Glue反饋回路
3．4 AWS批處理
3．5 基于Docker容器的反饋回路
3．6 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
4．1 Google云平臺概述
4．2 Colaboratory合作實驗工具
4．3 Datalab數(shù)據(jù)處理工具
4．3．1 使用Docker和Google容器注冊表擴展Datalab
4．3．2 使用Datalab啟動強大的機器
4．4 BigQuery云數(shù)據(jù)倉庫
4．5 Google云端AI服務(wù)
4．6 云端TPU和TensorFlow
4．7 小結(jié)
第5章 使用Amazon Web服務(wù)開發(fā)云端AI
5．1 在AWS上構(gòu)建增強現(xiàn)實和虛擬現(xiàn)實解決方案
5．1．1 計算機視覺：帶有EFS和Flask的AR/VR管道
5．1．2 帶EFS、Flask和Pandas的數(shù)據(jù)工程管道
5．2 小結(jié)
第三部分 創(chuàng)建實際AI應(yīng)用程序
第6章 預(yù)測社交媒體在NBA中的影響力
6．1 提出問題
6．2 收集具有挑戰(zhàn)性的數(shù)據(jù)源
6．2．1 收集運動員的Wikipedia頁面訪問量
6．2．2 收集運動員的Twitter參與度
6．2．3 探索NBA運動員數(shù)據(jù)
6．3 NBA球員的無監(jiān)督機器學(xué)習(xí)
6．3．1 使用R語言對NBA球員執(zhí)行分面聚類繪圖
6．3．2 匯總：球隊、球員、影響力和廣告代言
6．4 更多的實際進階與學(xué)習(xí)
6．5 小結(jié)
第7章 使用AWS創(chuàng)建智能的Slack機器人
7．1 創(chuàng)建機器人
7．2 將庫轉(zhuǎn)換為命令行工具
7．3 使用AWS工作流服務(wù)將機器人提升到新水平
7．4 獲取IAM證書設(shè)置
7．5 建立工作流
7．6 小結(jié)
第8章 從GitHub組織中尋找項目管理的思考
8．1 軟件項目管理問題綜述
8．2 開始創(chuàng)建數(shù)據(jù)科學(xué)項目框架
8．3 收集和轉(zhuǎn)換數(shù)據(jù)
8．4 與GitHub組織交流
8．5 創(chuàng)建特定領(lǐng)域的統(tǒng)計信息
8．6 將數(shù)據(jù)科學(xué)項目連接到CLI客戶端
8．7 使用Jupyter tebook探索GitHub組織
8．8 查看CPython項目中的文件元數(shù)據(jù)
8．9 查看CPython項目中的已刪除文件
8．1 0 將項目部署到Python包索引庫
8．1 1 小結(jié)
第9章 動態(tài)優(yōu)化基于AWS的彈性計算云（EC2）實例
9．1 在AWS上運行作業(yè)
9．1．1 EC2 Spot實例
9．1．2 Spot實例理論和定價歷史
9．1．3 編寫Spot實例啟動程序
9．1．4 編寫更復(fù)雜的Spot實例啟動程序
9．2 小結(jié)
第10章 房地產(chǎn)數(shù)據(jù)研究
10．1 美國房地產(chǎn)價值探索
10．2 Python中的交互式數(shù)據(jù)可視化
10．3 規(guī)模等級和價格聚類
10．4 小結(jié)
第11章 用戶生成內(nèi)容的生產(chǎn)環(huán)境AI
11．1 Netfli獎未在生產(chǎn)中實施
11．2 推薦系統(tǒng)的基本概念
11．3 在Python中使用Surprise框架
11．4 推薦系統(tǒng)的云解決方案
11．5 推薦系統(tǒng)的實際生產(chǎn)問題
11．6 云端自然語言處理和情緒分析
11．6．1 Azure上的NLP
11．6．2 GCP上的NLP
11．6．3 AWS上的生產(chǎn)型無服務(wù)器NLP AI管道
11．7 小結(jié)
附錄A AI加速器
附錄B 聚類大小的選擇