人工智能开发实践：云端机器学习导论

赞誉
译者序
前言
致谢
作者简介
第一部分 实用人工智能基础
第1章 实用人工智能简介
1．1 Python功能介绍
1．1．1 程序语句
1．1．2 字符串和字符串格式化
1．1．3 数字与算术运算
1．1．4 数据结构
1．1．5 函数
1．2 在Python中使用控制结构
1．2．1 for循环
1．2．2 while循环
1．2．3 if-else语句
1．2．4 生成器表达式
1．2．5 列表推导式
1．2．6 中级主题
1．3 进一步思考
第2章 人工智能与机器学习的工具链
2．1 Python数据科学生态系统：IPython、Pandas、NumPy、Jupyter tebook、scikit-learn
2．2 R语言、RStudio、Shiny和ggplot
2．3 电子表格：Ecel和Google表格
2．4 使用Amazon网络服务开发云端AI
2．5 AWS上的DevOps
2．5．1 持续交付
2．5．2 为AWS创建软件开发环境
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 数据科学中的基本Docker容器设置
2．7 其他构建服务器：Jenkins、CircleCI、Codeship和Travis
2．8 小结
第3章 斯巴达式AI生命周期
3．1 实用生产反馈回路
3．2 AWS SageMaker
3．3 AWS Glue反馈回路
3．4 AWS批处理
3．5 基于Docker容器的反馈回路
3．6 小结
第二部分 云端人工智能
第4章 使用Google云平台开发云端AI
4．1 Google云平台概述
4．2 Colaboratory合作实验工具
4．3 Datalab数据处理工具
4．3．1 使用Docker和Google容器注册表扩展Datalab
4．3．2 使用Datalab启动强大的机器
4．4 BigQuery云数据仓库
4．5 Google云端AI服务
4．6 云端TPU和TensorFlow
4．7 小结
第5章 使用Amazon Web服务开发云端AI
5．1 在AWS上构建增强现实和虚拟现实解决方案
5．1．1 计算机视觉：带有EFS和Flask的AR/VR管道
5．1．2 带EFS、Flask和Pandas的数据工程管道
5．2 小结
第三部分 创建实际AI应用程序
第6章 预测社交媒体在NBA中的影响力
6．1 提出问题
6．2 收集具有挑战性的数据源
6．2．1 收集运动员的Wikipedia页面访问量
6．2．2 收集运动员的Twitter参与度
6．2．3 探索NBA运动员数据
6．3 NBA球员的无监督机器学习
6．3．1 使用R语言对NBA球员执行分面聚类绘图
6．3．2 汇总：球队、球员、影响力和广告代言
6．4 更多的实际进阶与学习
6．5 小结
第7章 使用AWS创建智能的Slack机器人
7．1 创建机器人
7．2 将库转换为命令行工具
7．3 使用AWS工作流服务将机器人提升到新水平
7．4 获取IAM证书设置
7．5 建立工作流
7．6 小结
第8章 从GitHub组织中寻找项目管理的思考
8．1 软件项目管理问题综述
8．2 开始创建数据科学项目框架
8．3 收集和转换数据
8．4 与GitHub组织交流
8．5 创建特定领域的统计信息
8．6 将数据科学项目连接到CLI客户端
8．7 使用Jupyter tebook探索GitHub组织
8．8 查看CPython项目中的文件元数据
8．9 查看CPython项目中的已删除文件
8．1 0 将项目部署到Python包索引库
8．1 1 小结
第9章 动态优化基于AWS的弹性计算云（EC2）实例
9．1 在AWS上运行作业
9．1．1 EC2 Spot实例
9．1．2 Spot实例理论和定价历史
9．1．3 编写Spot实例启动程序
9．1．4 编写更复杂的Spot实例启动程序
9．2 小结
第10章 房地产数据研究
10．1 美国房地产价值探索
10．2 Python中的交互式数据可视化
10．3 规模等级和价格聚类
10．4 小结
第11章 用户生成内容的生产环境AI
11．1 Netfli奖未在生产中实施
11．2 推荐系统的基本概念
11．3 在Python中使用Surprise框架
11．4 推荐系统的云解决方案
11．5 推荐系统的实际生产问题
11．6 云端自然语言处理和情绪分析
11．6．1 Azure上的NLP
11．6．2 GCP上的NLP
11．6．3 AWS上的生产型无服务器NLP AI管道
11．7 小结
附录A AI加速器
附录B 聚类大小的选择