 |
-- 會員 / 註冊 --
|
 |
|
|
|
機器學習即服務：將Python機器學習創意快速轉變為云端Web應用程序 ( 簡體 字) |
| 作者：[美]曼紐爾·阿米納特吉（Manuel Amunategui）邁赫迪·洛佩伊 | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 51318
詢問書籍請說出此書號！【缺書】
NT售價： 495 元 |
| 出版日：6/10/2019 |
| 頁數：343 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111627036 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
| 內容簡介： |
目錄：譯者序1
譯者序2
譯者序3
關于作者
關于技術審校者
前言
第1章 無服務器計算介紹1
1.1 一個簡單的本地Flask應用程序1
1.2 在微軟Azure上使用無服務器計算4
1.2.1 操作步驟5
1.2.2 結論和附加信息12
1.3 在谷歌云上使用無服務器計算12
1.3.1 操作步驟13
1.3.2 結論和附加信息18
1.4 在Amazon AWS上使用無服務器計算19
1.4.1 操作步驟19
1.4.2 結論和附加信息24
1.5 在PythonAnywhere上托管應用程序24
1.5.1 操作步驟25
1.5.2 結論和附加信息26
1.6 本章小結26
第2章 在Azure上進行共享單車回歸模型智能預測27
2.1 共享單車租賃需求回歸系數分析28
2.2 探索共享單車原始數據集28
2.2.1 下載UCI機器學習庫數據集29
2.2.2 Jupyter Notebook配置使用29
2.2.3 數據集探索31
2.2.4 預測結果變量分析33
2.2.5 量化特征與租賃統計34
2.2.6 分類特征研究35
2.3 數據建模準備工作36
2.3.1 回歸建模37
2.3.2 簡單線性回歸37
2.3.3 簡單線性回歸模型37
2.4 特征工程試驗39
2.4.1 多項式建模39
2.4.2 創建分類數據虛擬特征40
2.4.3 非線性模型試驗41
2.4.4 使用時間序列復雜特征42
2.5 簡約模型44
2.5.1 簡單模型中的回歸系數提取44
2.5.2 R-Squared44
2.5.3 基于回歸系數的新數據預測46
2.6 共享單車租賃需求交互式Web應用設計48
2.6.1 代碼可讀性與擴展性摘要48
2.6.2 構建本地Flask應用49
2.6.3 下載運行GitHub共享單車代碼50
2.6.4 Web應用程序調試最佳實踐51
2.7 在微軟Azure上運行Web應用程序54
2.7.1 使用Git托管項目代碼54
2.7.2 微軟Azure命令行接口工具使用56
2.7.3 資源清理59
2.7.4 故障排查60
2.7.5 步驟回顧62
2.8 Web應用程序腳本及技術分析62
2.8.1 main.py文件分析63
2.8.2 /static/文件夾分析64
2.8.3 /templates/index.html文件及腳本分析64
2.9 本章小結66
2.10 附加資源66
第3章 在GCP上基于邏輯回歸實現實時智能67
3.1 規劃Web應用68
3.2 數據處理68
3.2.1 處理分類型數據71
3.2.2 從分類型數據創建虛擬特征75
3.3 建模75
3.3.1 訓練和測試數據集拆分76
3.3.2 邏輯回歸77
3.3.3 預測幸存率78
3.4 準備上云78
3.4.1 函數startup()79
3.4.2 函數submit_new_profile()79
3.4.3 使用HTML表單實現交互79
3.4.4 創建動態圖像80
3.4.5 下載Titanic代碼81
3.5 部署到谷歌云上82
3.5.1 Google App Engine82
3.5.2 在Google App Engine上進行部署83
3.5.3 問題排查86
3.5.4 收尾工作87
3.6 代碼回顧87
3.6.1 main.py87
3.6.2 app.yaml88
3.6.3 appengine_config.py文件與lib文件夾89
3.6.4 requirements.txt89
3.7 步驟回顧90
3.8 本章小結90
第4章 在AWS上使用Gradient Boosting Machine進行預訓練91
4.1 Web應用程序規劃92
4.2 探索葡萄酒品質數據集92
4.3 處理不平衡的類別95
4.4 使用Gradient Boosting Classifier97
4.4.1 評估模型98
4.4.2 持久化模型101
4.4.3 新數據預測101
4.5 設計Web應用程序以交互評估葡萄酒品質103
4.6 Ajax—服務器端動態Web渲染104
4.7 在虛擬環境中工作：一個方便實驗、更加安全和純凈的沙箱104
4.8 AWS Elastic Beanstalk105
4.8.1 為Elastic Beanstalk創建一個訪問賬戶106
4.8.2 Elastic Beanstalk108
4.8.3 EB Command Line Interface108
4.8.4 修復WSGIApplication-Group110
4.8.5 創建EB應用程序111
4.8.6 查看應用程序111
4.9 資源清理112
4.10 步驟回顧114
4.11 故障排查115
4.11.1 查看日志115
4.11.2 SSH登錄到實例115
4.12 本章小結116
第5章 案例研究1：在Web和移動瀏覽器上預測股票市場117
5.1 配對交易策略118
5.2 下載和準備數據119
5.2.1 準備數據120
5.2.2 股票代碼透視121
5.3 價格市場數據擴展121
5.4 繪制價差122
5.5 交易理念123
5.5.1 尋找極端案例123
5.5.2 提供交易建議124
5.6 計算交易股數125
5.7 設計一個移動友好的Web應用程序提供交易建議127
5.8 運行本地Flask應用程序128
5.9 表單驗證130
5.10 在PythonAnywhere上運行應用程序130
5.11 修復WSGI文件133
5.11.1 源代碼133
5.11.2 WSGI配置133
5.11.3 重新加載網站134
5.12 PythonAnywhere故障排查135
5.13 本章小結136
第6章 基于Azure和Google地圖的犯罪行為預測137
6.1 Web應用程序規劃138
6.2 探索舊金山犯罪熱圖數據集138
6.2.1 數據清洗139
6.2.2 數據重分布140
6.2.3 周數據探索142
6.3 數據特征工程142
6.3.1 創建年度月份匯總數據特征143
6.3.2 創建時段數據特征144
6.3.3 時段特征數據集探索145
6.4 地理數據可視化146
6.4.1 地理坐標位置繪制146
6.4.2 地理坐標近似值區塊創建147
6.5 基于歷史數據的犯罪預測149
6.6 Google地圖152
6.7 熱力圖層153
6.8 犯罪數據在Google地圖上的應用154
6.9 犯罪預測數據自定義提取155
6.10 設計Web應用程序156
6.10.1 添加Google API密鑰157
6.10.2 本地運行Web應用程序157
6.10.3 Azure公有云Git準備157
6.10.4 Azure命令行接口工具160
6.10.5 故障排查164
6.10.6 資源清理166
6.11 本章小結166
第7章 在AWS上使用樸素貝葉斯和OpenWeather進行預測167
7.1 探索數據集167
7.2 樸素貝葉斯169
7.3 Sklearn中的GaussianNB170
7.4 實時天氣預報OpenWeatherMap171
7.4.1 使用天氣預測服務173
7.4.2 數據轉換174
7.5 設計Web應用程序177
7.6 在AWS Elastic Beanstalk上運行應用程序179
7.6.1 修復WSGIApplication-Group180
7.6.2 查看應用程序181
7.6.3 記得終止實例182
7.7 本章小結184
7.7.1 訪問OpenWeatherMap數據184
7.7.2 捕獲異常184
7.7.3 處理用戶輸入的數據185
第8章 在GCP上基于TensorFlow實現交互式繪畫和數字預測186
8.1 MNIST數據集186
8.2 TensorFlow189
8.3 使用TensorFlow和卷積網絡建模189
8.3.1 構建建模層190
8.3.2 損益函數191
8.3.3 實例化會話191
8.3.4 訓練191
8.3.5 準確度191
8.3.6 運行腳本192
8.4 準備上云193
8.4.1 運行一個保存的TensorFlow模型193
8.4.2 保存模型194
8.4.3 畫布194
8.4.4 從畫布到TensorFlow195
8.4.5 測試新的手寫數字195
8.4.6 設計Web應用程序196
8.4.7 下載Web應用程序197
8.5 部署到谷歌云上198
8.5.1 谷歌云Flexible App Engine198
8.5.2 在Google App Engine上部署199
8.5.3 問題排查201
8.5.4 收尾工作202
8.6 本章小結203
8.6.1 HTML5 canvas標簽203
8.6.2 TensorFlow203
8.6.3 設計203
第9章 案例研究2：動態股票圖表顯示205
9.1 使用Matplotlib創建股票圖表205
9.2 探索配對交易圖表207
9.3 設計Web應用程序210
9.4 具有移動友好性的表格211
9.5 上傳Web應用程序到PythonAnywhere213
9.6 本章小結215
第10章 在GCP上使用奇異值分解實現推薦系統216
10.1 規劃Web應用216
10.2 推薦系統簡介217
10.3 探索MovieLens數據集217
10.3.1 MovieLens數據集概況218
10.3.2 探索ratings.csv和movies.csv219
10.3.3 理解評級和評級文化221
10.3.4 給出推薦224
10.4 協同過濾226
10.4.1 相似性和距離測量工具227
10.4.2 歐幾里得距離227
10.4.3 余弦相似距離228
10.5 奇異值分解228
10.5.1 將電影評級集中到零周圍229
10.5.2 觀察SVD的行為229
10.6 準備上云232
10.6.1 下載并在本地運行“下一部電影看什么？”232
10.6.2 代碼解釋234
10.7 部署到谷歌云上236
10.7.1 在Google App Engine上部署236
10.7.2 問題排查240
10.7.3 收尾工作240
10.8 本章小結241
第11章 在Azure上使用NLP和可視化技術簡化復雜概念242
11.1 Web應用規劃242
11.2 數據探索243
11.3 文本清理244
11.4 基于文本的特征工程245
11.5 TFIDF文本數據清理247
11.6 NLP與正則表達式247
11.7 使用外部垃圾郵件關鍵字列表248
11.8 使用Sklearn庫TfidfVectorizer提取特征250
11.9 輸出變量準備250
11.10 使用Sklearn庫隨機森林分類器建模251
11.10.1 模型性能測量252
11.10.2 模型閾值交互255
11.11 Web圖形化交互256
11.12 構建本地Flask Web應用257
11.13 將應用程序部署到Azure公有云259
11.13.1 在Azure上部署Git259
11.13.2 Azure命令行接口工具262
11.13.3 資源清理265
11.13.4 故障排查266
11.14 本章小結與附加資源268
第12章 案例研究3：使用基礎財務信息使內容更豐富269
12.1 訪問股票上市公司名單269
12.2 使用維基百科API獲取公司信息271
12.3 構建動態FinViz鏈接272
12.4 基礎消息探索273
12.5 設計Web應用程序274
12.6 上傳Web應用程序到PythonAnywhere276
12.7 本章小結281
第13章 使用Google Analytics282
13.1 創建Google Analytics賬戶282
13.2 JavaScript跟蹤器283
13.3 閱讀分析報告284
13.4 流量來源286
13.5 頁面286
13.6 本章小結與附加資源287
第14章 在PythonAnywhere上使用A/B測試和MySQL數據庫288
14.1 A/B測試289
14.1.1 用戶跟蹤290
14.1.2 通用唯一標識符290
14.2 MySQL290
14.2.1 使用命令行啟動和停止服務292
14.2.2 MySQL命令行監視器293
14.2.3 創建數據庫293
14.2.4 創建數據表294
14.2.5 創建數據庫用戶295
14.3 Python庫：mysql.connector295
14.3.1 SELECT SQL語句296
14.3.2 INSERT SQL語句296
14.3.3 UPDATE SQL語句297
14.4 將代碼抽象為函數298
14.5 設計Web應用程序300
14.6 在PythonAnywhere上設置MySQL300
14.7 在PythonAnywhere上進行A/B測試302
14.8 A/B測試結果304
14.9 本章小結304
第15章 從訪問者到訂閱者306
15.1 基于文本的身份驗證306
15.1.1 Flask-HTTPAuth硬編碼賬戶307
15.1.2 摘要式身份驗證示例308
15.1.3 使用外部文本文件的摘要式身份驗證示例309
15.2 簡單訂閱插件系統311
15.2.1 用Memberful進行銷售311
15.2.2 用PayPal進行捐贈315
15.2.3 用Stripe進行購買317
15.3 本章小結321
第16章 案例研究4：使用Memberful構建訂閱付費墻322
16.1 升級Memberful和Python-Anywhere支付賬戶323
16.1.1 升級Memberful323
16.1.2 升級PythonAnywhere326
16.1.3 使用pip安裝Flask-SSLify326
16.2 Memberful用戶驗證327
16.2.1 兩步流程和Flask會話機制327
16.2.2 身份驗證第1步328
16.2.3 身份驗證第2步328
16.2.4 調用Memberful函數330
16.3 設計Web應用程序331
16.3.1 在Memberful.com上設計一個訂閱計劃331
16.3.2 將Web應用程序上傳到PythonAnywhere333
16.3.3 在Memberful和MySQL中替換你自己的憑據335
16.4 代碼解釋336
16.4.1 main.py336
16.4.2 welcome.html336
16.4.3 index.html337
16.5 本章小結338
第17章 關閉所有資源339 |
| 序： |
|
