人工智能開(kāi)發(fā)實(shí)踐：云端機(jī)器學(xué)習(xí)導(dǎo)論

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
1．1 Python功能介紹
1．1．1 程序語(yǔ)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(yùn)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(yǔ)句
1．2．4 生成器表達(dá)式
1．2．5 列表推導(dǎo)式
1．2．6 中級(jí)主題
1．3 進(jìn)一步思考
第2章 人工智能與機(jī)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(yǔ)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(kāi)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(kāi)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(dá)式AI生命周期
3．1 實(shí)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(tái)開(kāi)發(fā)云端AI
4．1 Google云平臺(tái)概述
4．2 Colaboratory合作實(shí)驗(yàn)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(cè)表擴(kuò)展Datalab
4．3．2 使用Datalab啟動(dòng)強(qiáng)大的機(jī)器
4．4 BigQuery云數(shù)據(jù)倉(cāng)庫(kù)
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(kāi)發(fā)云端AI
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
5．1．1 計(jì)算機(jī)視覺(jué)：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(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
6．1 提出問(wèn)題
6．2 收集具有挑戰(zhàn)性的數(shù)據(jù)源
6．2．1 收集運(yùn)動(dòng)員的Wikipedia頁(yè)面訪問(wèn)量
6．2．2 收集運(yùn)動(dòng)員的Twitter參與度
6．2．3 探索NBA運(yùn)動(dòng)員數(shù)據(jù)
6．3 NBA球員的無(wú)監(jiān)督機(jī)器學(xué)習(xí)
6．3．1 使用R語(yǔ)言對(duì)NBA球員執(zhí)行分面聚類繪圖
6．3．2 匯總：球隊(duì)、球員、影響力和廣告代言
6．4 更多的實(shí)際進(jìn)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(jī)器人
7．1 創(chuàng)建機(jī)器人
7．2 將庫(kù)轉(zhuǎn)換為命令行工具
7．3 使用AWS工作流服務(wù)將機(jī)器人提升到新水平
7．4 獲取IAM證書(shū)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(xiàng)目管理的思考
8．1 軟件項(xiàng)目管理問(wèn)題綜述
8．2 開(kāi)始創(chuàng)建數(shù)據(jù)科學(xué)項(xiàng)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(jì)信息
8．6 將數(shù)據(jù)科學(xué)項(xiàng)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(xiàng)目中的文件元數(shù)據(jù)
8．9 查看CPython項(xiàng)目中的已刪除文件
8．1 0 將項(xiàng)目部署到Python包索引庫(kù)
8．1 1 小結(jié)
第9章 動(dòng)態(tài)優(yōu)化基于AWS的彈性計(jì)算云（EC2）實(shí)例
9．1 在AWS上運(yùn)行作業(yè)
9．1．1 EC2 Spot實(shí)例
9．1．2 Spot實(shí)例理論和定價(jià)歷史
9．1．3 編寫(xiě)Spot實(shí)例啟動(dòng)程序
9．1．4 編寫(xiě)更復(fù)雜的Spot實(shí)例啟動(dòng)程序
9．2 小結(jié)
第10章 房地產(chǎn)數(shù)據(jù)研究
10．1 美國(guó)房地產(chǎn)價(jià)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(jí)和價(jià)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(jiǎng)未在生產(chǎn)中實(shí)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(shí)際生產(chǎn)問(wèn)題
11．6 云端自然語(yǔ)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(wú)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