人工智能開發實踐:雲端機器學習導論 Pragmatic AI An Introduction to Cloud-Based Machine Learning

Noah Gift 袁志勇譯

立即出貨

買這商品的人也買了...

相關主題

商品描述

在Netflix公司曾承辦的一次著名推薦算法比賽中,
獲得冠軍的團隊因使用了大量模型使得推薦算法的準確率提升了10%,
從而獲得了百萬美元的大獎,但實際上,後期真正付諸實踐的卻是僅提升了8。
43%準確率的另一支團隊的改進算法。這一現象背後的原因,
閱讀完《人工智能開發實踐:雲端機器學習導論》,你將獲得答案。
務實地解決AI問題需要更多地關注結果而不僅僅是技術。
歸根結底,花費數月時間為一些永遠無法投入生產的任務選擇的機器學習算法只是浪費精力和金錢,
更高效的方式是使用雲提供商提供的現成解決方案進行業務開發。
《人工智能開發實踐:雲端機器學習導論》的理念是:
不再追求人工智能項目的完美方案,而是在有限的成本、
資源、技術條件下,實現能夠交付於實際生產的解決方案。

作者簡介

Noah Gift

加州大學戴維斯分校工商管理研究生院機器學習課程講師,
是AWS認證的架構師,也是AWS雲端機器學習專家,
長期為包括初創公司在內的企業提供機器學習、雲架構和CTO級別的諮詢服務。
  

袁志勇

武漢大學人工智能研究院教授、博士生導師,中國計算機學會(CCF)高級會員,
CCF虛擬現實與可視化專委會委員,中國人工智能學會(CAAI)高級會員,
CAAI智能交互專委會委員。
多年來一直從事人工智能與機器學習、虛擬現實與人機交互、
嵌入式系統與智能硬件等方向的教學與研究工作。

目錄大綱

讚譽
譯者序
前言
致謝
作者簡介

□□部分實用人工智能基礎
□□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數字與算術運算
1.1.4數據結構
1.1.5函數
1.2在Python中使用控制結構
1.2.1 for循環
1.2.2 while循環
1.2.3 if-else語句
1.2.4生成器表達式
1.2.5列表推導式
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習的工具鏈
2.1 Python數據科學生態系統: 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網絡服務開發雲端AI
2.5 AWS上的DevOps
2.5.1持續交付
2.5.2為AWS創建軟件開發環境
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數據科學中的基本Docker容器設置
2.7其他構建服務器:Jenkins、CircleCI、Codeship和Travis
2.8小結

第3章斯巴達式AI生命週期
3.1實用生產反饋迴路
3.2 AWS SageMaker
3.3 AWS Glue反饋迴路
3.4 AWS批處理
3.5基於Docker容器的反饋迴路
3.6小結

第二部分雲端人工智能
第4章使用Google雲平台開發雲端AI
4.1 Google雲平台概述
4.2 Colaboratory合作實驗工具
4.3 Datalab數據處理工具
4.3.1使用Docker和Google容器註冊表擴展Datalab
4.3.2使用Datalab啟動強大的機器
4.4 BigQuery雲數據倉庫
4.5 Google雲端AI服務
4.6雲端TPU和TensorFlow
4.7小結

第5章使用Amazon Web服務開發雲端AI
5.1在AWS上構建增強現實和虛擬現實解決方案
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的數據工程管道
5.2小結

第三部分創建實際AI應用程序
第6章預測社交媒體在NBA中的影響力
6.1提出問題
6.2收集具有挑戰性的數據源
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運動員數據
6.3 NBA球員的無監督機器學習
6.3.1使用R語言對NBA球員執行分面聚類繪圖
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習
6.5小結

第7章使用AWS創建智能的Slack機器人
7.1創建機器人
7.2將庫轉換為命令行工具
7.3使用AWS工作流服務將機器人提升到新水平
7.4獲取IAM證書設置
7.5建立工作流
7.6小結

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開始創建數據科學項目框架
8.3收集和轉換數據
8.4與GitHub組織交流
8.5創建特定領域的統計信息
8.6將數據科學項目連接到CLI客戶端
8.7使用Jupyter tebook探索GitHub組織
8.8查看CPython項目中的文件元數據
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

第9章動態優化基於AWS的彈性計算雲(EC2)實例
9.1在AWS上運行作業
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編寫更複雜的Spot實例啟動程序
9.2小結

10章房地產數據研究
10.1美國房地產價值探索
10.2 Python中的交互式數據可視化
10.3規模等級和價格聚類
10.4小結

11章用戶生成內容的生產環境AI
11.1 Netfli獎未在生產中實施
11.2推薦系統的基本概念
11.3在Python中使用Surprise框架
11.4推薦系統的雲解決方案
11.5推薦系統的實際生產問題
11.6雲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上的生產型無服務器NLP AI管道
11.7小結

附錄A AI加速器
附錄B聚類大小的選擇