人工智慧開發實踐：雲端機器學習導論

《人工智慧開發實踐：雲端機器學習導論》是一本由機械工業出版社出版的圖書，講述了如何利用Amazon、Google和Microsoft的強大雲服務產品，降低AI項目開發成本，縮短開發周期，提升工作效率。

基本介紹

• 書名：人工智慧開發實踐：雲端機器學習導論
• 作者：（美）挪亞•吉夫特（Noah Gift） 
• 類別：人工智慧
• 原作品：Pragmatic AI: An Introduction to Cloud-Based Machine Learning
• 譯者：袁志勇
• 出版社：機械工業出版社
• 出版時間：2020年5月
• 頁數：240 頁
• 定價：89 元
• 開本：16 開
• 裝幀：平裝
• ISBN：978711165358 
• 叢書：智慧型系統與技術叢書 

內容簡介

本書講解Amazon、Google和Microsoft公司的強大雲服務產品，以及Python數據科學生態系統的成熟技術，所介紹的工作流程和案例涉及從部署到生產各個環節，通過使用當代機器學習、人工智慧和雲計算工具逐步構建多種雲端機器學習應用程式（覆蓋體育、項目管理、產品定價、房地產等領域中的實際問題），幫助你構建可擴展並能交付於生產的解決方案。

通過本書，你將能夠：

快速查看構建機器學習應用程式所需的Python代碼。

掌握人工智慧和機器學習工具鏈以及項目生命周期。

使用Python數據科學工具，包括IPython、Pandas、NumPy、JuypterNotebook和scikit-learn。

結合實用高效的反饋迴路不斷提高工作流程和系統的效率。

使用Google雲平台產品，包括TPU處理器、Colaboratory合作實驗工具及Datalab服務。

定義AWS雲AI工作流程，包括Spot實例、CodePipeline、Boto、無伺服器、SageMaker等。

使用Microsoft Azure雲AI API。

構建6個完整的交付型AI應用程式。

圖書目錄

讚譽

譯者序

前言

致謝

作者簡介

第一部分　實用人工智慧基礎

第1章　實用人工智慧簡介2

1.1　Python功能介紹3

1.1.1　程式語句4

1.1.2　字元串和字元串格式化6

1.1.3　數字與算術運算8

1.1.4　數據結構10

1.1.5　函式12

1.2　在Python中使用控制結構19

1.2.1　for循環20

1.2.2　while循環21

1.2.3　if/else語句21

1.2.4　生成器表達式22

1.2.5　列表推導式23

1.2.6　中級主題23

1.3　進一步思考26

第2章　人工智慧與機器學習的工具鏈28

2.1　Python數據科學生態系統：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29

2.2　R語言、RStudio、Shiny和ggplot30

2.3　電子表格：Excel和Google表格30

2.4　使用Amazon網路服務開發雲端AI 31

2.5　AWS上的DevOps31

2.5.1　持續交付31

2.5.2　為AWS創建軟體開發環境32

2.5.3　集成Jupyter Notebook38

2.5.4　集成命令行工具41

2.5.5　集成AWS CodePipeline44

2.6　數據科學中的基本Docker容器設定49

2.7　其他構建伺服器：Jenkins、CircleCI、Codeship和Travis49

2.8　小結50

第3章　斯巴達式AI生命周期51

3.1　實用生產反饋迴路52

3.2　AWS SageMaker55

3.3　AWS Glue反饋迴路56

3.4　AWS批處理60

3.5　基於Docker容器的反饋迴路62

3.6　小結64

第二部分　雲端人工智慧

第4章　使用Google雲平台開發雲端AI66

4.1　Google雲平台概述67

4.2　Colaboratory合作實驗工具68

4.3　Datalab數據處理工具70

4.3.1　使用Docker和Google容器註冊表擴展Datalab70

4.3.2　使用Datalab啟動強大的機器71

4.4　BigQuery雲數據倉庫73

4.5　Google雲端AI服務76

4.6　雲端TPU和TensorFlow79

4.7　小結82

第5章　使用Amazon Web服務開發雲端AI 83

5.1　在AWS上構建增強現實和虛擬現實解決方案85

5.1.1　計算機視覺：帶有EFS和Flask的AR/VR管道86

5.1.2　帶EFS、Flask和Pandas的數據工程管道88

5.2　小結102

第三部分　創建實際AI應用程式

第6章　預測社交媒體在NBA中的影響力104

6.1　提出問題104

6.2　收集具有挑戰性的數據源123

6.2.1　收集運動員的Wikipedia頁面訪問量123

6.2.2　收集運動員的Twitter參與度129

6.2.3　探索NBA運動員數據132

6.3　NBA球員的無監督機器學習136

6.3.1　使用R語言對NBA球員執行分面聚類繪圖136

6.3.2　匯總：球隊、球員、影響力和廣告代言138

6.4　更多的實際進階與學習140

6.5　小結141

第7章　使用AWS創建智慧型的Slack機器人142

7.1　創建機器人142

7.2　將庫轉換為命令行工具143

7.3　使用AWS工作流服務將機器人提升到新水平145

7.4　獲取IAM證書設定146

7.5　建立工作流155

7.6　小結157

第8章　從GitHub組織中尋找項目管理的思考158

8.1　軟體項目管理問題綜述158

8.2　開始創建數據科學項目框架160

8.3　收集和轉換數據162

8.4　與GitHub組織交流164

8.5　創建特定領域的統計信息165

8.6　將數據科學項目連線到CLI客戶端167

8.7　使用Jupyter Notebook探索GitHub 組織169

8.8　查看CPython項目中的檔案元數據171

8.9　查看CPython項目中的已刪除檔案174

8.10　將項目部署到Python包索引庫177

8.11　小結179

第9章　動態最佳化基於AWS的彈性計算雲（EC2）實例181

9.1　在AWS上運行作業181

9.1.1　EC2 Spot實例181

9.1.2　Spot實例理論和定價歷史182

9.1.3　編寫Spot實例啟動程式191

9.1.4　編寫更複雜的Spot實例啟動程式196

9.2　小結197

第10章　房地產數據研究199

10.1　美國房地產價值探索199

10.2　Python中的互動式數據可視化201

10.3　規模等級和價格聚類203

10.4　小結209

第11章　用戶生成內容的生產環境AI211

11.1　Netflix獎未在生產中實施212

11.2　推薦系統的基本概念213

11.3　在Python中使用Surprise 框架213

11.4　推薦系統的雲解決方案216

11.5　推薦系統的實際生產問題216

11.6　雲端自然語言處理和情緒分析221

11.6.1　 Azure上的NLP221

11.6.2　GCP上的NLP224

11.6.3　AWS上的生產型無伺服器NLP AI管道227

11.7　小結233

附錄A　AI加速器234

附錄B　聚類大小的選擇236

作者簡介

挪亞·吉夫特 （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。

 

◆ 譯者簡介 ◆

袁志勇

武漢大學人工智慧研究院教授、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，中國人工智慧學會（CAAI）高級會員，CAAI智慧型互動專委會委員。多年來一直從事人工智慧與機器學習、虛擬現實與人機互動、嵌入式系統與智慧型硬體等方向的教學與研究工作。