《人工智慧B2B落地實戰：基於雲和Python的商用解決方案》是2023年清華大學出版社出版的圖書，作者是[英]巴瑞·沃爾什（Barry Walsh），譯者是歐拉。
基本介紹
- 中文名：人工智慧B2B落地實戰：基於雲和Python的商用解決方案
- 作者：[英]巴瑞·沃爾什（Barry Walsh）
- 譯者：歐拉
- 出版時間：2023年11月1日
- 出版社：清華大學出版社
- ISBN：9787302646181
- 定價：99 元
內容簡介,圖書目錄,
內容簡介
《人工智慧B2B落地實戰：基於雲和Python的商用解決方案》共10章。第1章介紹AI與AI生態，第2章闡述AI**實踐和DataOps、第3章說明AI數據的獲取，第4章談到雲與機器學習，第5章討論神經網路與深度學習，第6章聊到AutoML、AutoAI以及NoLo UI的崛起，第7章講到AI全棧套用開發，第8章通過案例學習來貫穿AI解決方案的整個實現過程，第9章說明如何部署AI解決方案（生產化與容器化），第10章討論了自然語言處理。書中展示了高層級的業務需求和**實踐，探討了如何與干係人與敏捷團隊展開合作。書中包含的AI套用開發、工業案例研究以及實用指南，可以幫助讀者熟練套用NoLo UI。
《人工智慧B2B落地實戰：基於雲和Python的商用解決方案》特別針對雲服務預算有限的讀者提供高效的解決方案，幫助他們開發和部署看似很難的AI商用解決方案。通過本書的學習和實踐，讀者有望以較低的成本快速部署和交付生產級AI方案。
圖書目錄
簡 明 目 錄
第1章 AI與AI生態系統簡介 1
第2章 AI最佳實踐和DataOps 35
第3章 AI的數據獲取 63
第4章 雲機器學習 91
第5章 神經網路與深度學習 109
第6章 AutoML、AutoAI與NoLo UI 155
第7章 AI全棧：套用開發 173
第8章 AI案例研究 203
第9章 部署AI解決方案（生產化與容器化） 239
第10章 自然語言處理 263
詳 細 目 錄
第1章 AI與AI生態系統簡介 1
1.1 AI生態系統 2
1.1.1 技術成熟度曲線 2
1.1.2 歷史背景 2
1.1.3 與AI相關的一些定義 3
1.1.4 AI的現狀 4
1.1.5 什麼是人工智慧 6
1.1.6 雲計算 6
1.1.7 CSP都提供什麼 7
1.1.8 更廣泛的AI生態系統 8
1.1.9 全棧AI 8
1.1.10 AI倫理和風險：問題和顧慮 9
1.2 AI的套用 11
1.2.1 機器學習 12
1.2.2 深度學習 12
1.2.3 自然語言處理 14
1.2.4 認知機器人流程自動化 15
1.2.5 其他AI套用 15
1.3 數據獲取與AI管道 18
1.3.1 AI工程 18
1.3.2 什麼是數據管道 19
1.3.3 提取、轉換和載入（ETL） 19
1.3.4 數據整理 20
1.3.5 性能基準測試 21
1.3.6 AI流水線自動化：AutoAI 21
1.4 神經網路和深度學習 22
1.4.1 機器學習 23
1.4.2 什麼是神經網路 24
1.4.3 簡單感知器 24
1.4.4 深度學習 25
1.4.5 神經網路：術語 26
1.4.6 深度學習工具 27
1.5 AI的生產化 29
1.5.1 計算和存儲 29
1.5.2 雲服務提供商（CSP） 30
1.5.3 容器化 31
小結 34
第2章 AI最佳實踐和DataOps 35
2.1 DataOps和MLOps入門 36
2.1.1 關於DataOps 36
2.1.2 數據工廠 36
2.1.3 從DataOps到MLOps：AI的問題 37
2.1.4 企業級AI 38
2.2 敏捷開發 40
2.2.1 敏捷團隊和協作 40
2.2.2 開發/產品衝刺 41
2.2.3 敏捷的好處 42
2.2.4 適應性 42
2.3 代碼存儲庫 45
2.3.1 關於Git和GitHub 45
2.3.2 版本控制 46
2.3.3 分支和合併 46
2.3.4 Git工作流 47
2.4 持續集成和持續交付（CI/CD） 50
2.4.1 DataOps中的CI/CD 51
2.4.2 Jenkins簡介 51
2.4.3 項目管理工具Maven 52
2.4.4 容器化 53
2.5 測試、性能評估和監控 55
2.5.1 Selenium框架 55
2.5.2 TestNG測試框架 56
2.5.3 問題管理 57
2.5.4 監控和警報 58
小結 62
第3章 AI的數據獲取 63
3.1 數據獲取簡介 64
3.1.1 數據獲取：當下的挑戰 64
3.1.2 AI階梯 64
3.1.3 雲架構/雲堆疊 65
3.1.4 定期（OLAP）與流式（OLTP）數據 66
3.1.5 API 67
3.1.6 數據類型（結構化與非結構化） 68
3.1.7 檔案類型 68
3.2 用於AI的數據存儲 71
3.2.1 數據存儲：數據湖和數據倉庫 72
3.2.2 確定項目數據需求的範圍 73
3.2.3 OLTP/OLAP：確定最佳方法 73
3.2.4 ETL與ELT 74
3.2.5 SQL與NoSQL資料庫 75
3.2.6 彈性與可擴展性 76
3.3 數據獲取的雲服務 77
3.3.1 雲端（SQL）數據倉庫 77
3.3.2 數據湖存儲 78
3.3.3 流處理和流分析 80
3.4 數據管道編排：最佳實踐 82
3.4.1 存儲考慮因素 82
3.4.2 數據獲取計畫 83
3.4.3 構建交付管道 85
小結 89
第4章 雲機器學習 91
4.1 機器學習基礎 92
4.2 監督式機器學習 92
4.2.1 分類和回歸 92
4.2.2 時間序列預測 93
4.3 無監督機器學習 94
4.3.1 聚類 94
4.3.2 降維 95
4.4 半監督機器學習 96
4.5 機器學習的實施 97
4.6 探索性數據分析 97
4.7 數據整理 98
4.7.1 特徵工程 99
4.7.2 混洗和數據分割/拆分 100
4.7.3 採樣 101
4.8 算法建模 102
4.9 性能基準測試 104
4.10 模型選擇、部署和推理 107
4.11 強化學習 108
小結 108
第5章 神經網路與深度學習 109
5.1 深度學習簡介 110
5.1.1 什麼是深度學習 110
5.1.2 為什麼現在是深度學習的時代 111
5.1.3 AI與深度學習的炒作周期 111
5.1.4 高級架構 113
5.2 隨機過程 114
5.2.1 生成式模型與判別式模型 115
5.2.2 隨機遊走 115
5.2.3 馬爾可夫鏈和馬爾可夫過程 115
5.2.4 其他隨機過程：鞅 116
5.3 神經網路簡介 117
5.3.1 人工神經網路 117
5.3.2 簡單感知器 118
5.3.3 多層感知器 119
5.3.4 卷積神經網路 120
5.3.5 循環神經網路 120
5.3.6 長短期記憶網路 121
5.3.7 其他類型的神經網路 122
5.4 深度學習工具 128
5.4.1 用於深度學習的工具 128
5.4.2 TensorFlow 128
5.4.3 Keras 129
5.4.4 PyTorch 129
5.4.5 其他重要的深度學習工具 130
5.5 深度學習和實現的框架 131
5.5.1 張量 131
5.5.2 TensorFlow的關鍵概念 132
5.5.3 深度學習建模生命周期 132
5.5.4 順序和函式模型API 133
5.5.5 實現卷積神經網路 134
5.5.6 實現循環神經網路 136
5.5.7 神經網路：術語 138
5.5.8 計算多層神經網路的輸出 138
5.6 深度學習模型調優 141
5.6.1 激活函式 141
5.6.2 梯度下降和反向傳播 143
5.6.3 反向傳播 144
5.6.4 其他最佳化算法 144
5.6.5 損失函式 145
5.6.6 提高深度學習性能 146
5.6.7 深度學習最佳實踐：超參數 147
小結 152
第6章 AutoML、AutoAI與NoLo UI 155
6.1 機器學習：過程回顧 157
6.2 全局搜尋算法 158
6.3 基於Python的自動化庫 159
6.3.1 PyCaret 159
6.3.2 auto-sklearn 160
6.3.3 Auto-WEKA 160
6.3.4 TPOT 161
6.4 AutoAI工具和平台 162
6.4.1 IBM Cloud Pak for Data 163
6.4.2 Azure ML 164
6.4.3 Google Cloud Vertex AI 165
6.4.4 Google Cloud Composer 165
6.4.5 AWS SageMaker Autopilot 166
6.4.6 TensorFlow Extended (TFX) 166
小結 167
第7章 AI全棧：套用開發 173
7.1 AI套用開發簡介 174
7.1.1 開發AI解決方案 174
7.1.2 AI套用——啟動並運行 175
7.1.3 API和終結點 175
7.1.4 分散式處理和集群 176
7.1.5 虛擬環境 179
7.2 AI開發的軟體和工具 182
7.2.1 數據和雲是AI不可或缺的 182
7.2.2 雲平台 184
7.2.3 基於Python的用戶界面 187
7.2.4 其他AI軟體供應商 189
7.3 ML套用 193
7.3.1 開發機器學習套用 193
7.3.2 客戶體驗 194
7.3.3 欺詐檢測和網路安全 195
7.3.4 運營管理、決策和業務支持 195
7.3.5 風險管理、投資組合和資產最佳化 195
7.4 深度學習套用 197
7.4.1 開發深度學習應用程式 198
7.4.2 深度學習的關鍵套用 199
小結 202
第8章 AI案例研究 203
8.1 行業案例研究 204
8.1.1 對AI的企業/組織需求 204
8.1.2 AI的使能器 204
8.1.3 按垂直行業劃分AI解決方案 204
8.1.4 AI用例：解決方案框架 205
8.1.5 解決方案架構 206
8.1.6 電信解決方案 207
8.1.7 實時儀錶板 209
8.1.8 情緒分析 210
8.1.9 預測性分析 212
8.1.10 從Python連線到Twitter API 212
8.1.11 零售行業的解決方案 214
8.1.12 銀行和金融服務/金融科技的解決方案 219
8.1.13 供應鏈的解決方案 224
8.2 石油和天然氣/能源和公用事業解決方案 227
8.3 醫療和製藥行業的解決方案 229
8.3.1 醫療行業：AI的鴻溝 229
8.3.2 醫療和製藥行業的解決方案 229
8.4 人力資源解決方案 230
8.4.1 人力資源領域的現狀 230
8.4.2 示例人力資源解決方案 231
8.5 其他案例研究 233
8.5.1 公共部門和政府 233
8.5.2 製造業 234
8.5.3 網路安全 235
8.5.4 保險/車聯網 235
8.5.5 法律 236
小結 237
第9章 部署AI解決方案（生產化與容器化） 239
9.1 AI套用中的生產化 240
9.1.1 生產的典型障礙 240
9.1.2 雲/CSP輪盤 241
9.1.3 使AI的挑戰簡單化：從小處著手，專注於特定領域 242
9.2 AI項目生命周期 245
9.2.1 從設計思維到敏捷開發 245
9.2.2 通過假設驅動的開發 245
9.2.3 協作、測試、度量、重複 246
9.2.4 持續的過程改進 247
9.2.5 數據漂移 248
9.2.6 自動化再訓練 248
9.3 啟用工程和基礎設施 250
9.3.1 AI生態系統：AI雲堆疊 250
9.3.2 數據湖部署：最佳實踐 251
9.3.3 數據管道運營化和編排 252
9.4 大數據引擎和並行化 253
9.5 全棧與容器化：最後的疆域 256
9.5.1 全棧AI：React和Flask案例研究 257
9.5.2 使用Docker容器在雲端部署 257
9.5.3 實現持續交付流水線 258
小結 259
第10章 自然語言處理 263
10.1 NLP簡介 264
10.1.1 NLP的基礎 264
10.1.2 NLP的歷史背景和發展 265
10.1.3 NLP的目標和特定領域的用例 265
10.1.4 NLP的生命周期 266
10.2 預處理和語言學 270
10.2.1 預處理/初始清理 270
10.2.2 語言學和數據轉換 271
10.2.3 語法分析 272
10.2.4 語義分析 275
10.3 NLP中的文本向量化、詞嵌入和建模 277
10.3.1 基於規則/頻率的嵌入 278
10.3.2 詞嵌入/基於預測的嵌入 280
10.3.3 NLP建模 281
10.4 NLP的工具和套用 287
10.4.1 Python庫 287
10.4.2 自然語言處理的套用 288
10.4.2 NLP 2.0 289
小結 292
結語 295
後記 297
