機器學習系統 ( 簡體 字) |
| 作者：[美]杰夫·史密斯(Jeff Smith) 著；潘海為，張春新 譯 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 51878
詢問書籍請說出此書號！【有庫存】
NT售價： 300 元 |
| 出版日：9/1/2019 |
| 頁數：170 |
| 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：9787302534853 |
| 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：我的整個職業生涯都在處理數據。根據興趣，隨著職業生涯的發展，我一直致力于研究越來越復雜的系統，并將重點放在機器學習和人工智能系統上。
當我的工作內容從更傳統的數據倉庫類型的任務發展到構建機器學習系統時，我被一種奇怪的缺失所震驚。當我主要使用數據庫時，可以依賴豐富的學術和專業文獻，了解如何構建與它們交互的數據庫和應用程序，以幫助定義良好的設計。所以，讓我感到困惑和驚訝的是，機器學習作為一個領域通常缺乏這種指導。除了模型學習算法外，沒有任何規范的實現。需要建立的系統中有很大一部分在文獻中被掩蓋了。通常，我甚至無法為給定的系統組件找到一致的名稱，因此我和我的同事們不可避免地會在術語選擇上相互混淆。我想要的是一個框架，類似于機器學習的Ruby on Rails，但似乎沒有這樣的框架 。除了一個普遍接受的框架，我至少想要一些明確的設計模式來構建機器學習系統，但遺憾的是，當時還沒有用于機器學習系統的設計模式。
因此，我用一種艱難的方式建立了機器學習系統：嘗試一些東西，然后找出那些不起作用的地方。當我需要發明術語時，只選擇那些感覺合理的術語。隨著時間的推移，我嘗試整合了一些對機器學習系統有用的內容和沒有連貫成整體的內容。像分布式系統和函數式編程這樣的領域，有望為我對機器學習系統的看法提供更好的支撐，但它們沒有特別關注機器學習的應用。
這個帖子出人意料地得到廣泛而嚴肅的回應。我從回應中學到了兩件事：
● 我不是唯一有興趣提出建立機器學習系統的原則方法的人。
● 人們真的很喜歡用卡通動物來談論機器學習。
這些見解促使我寫了這本你目前正在閱讀的書。在《機器學習系統》中，我試圖涵蓋你在構建現實世界的機器學習系統時可能遇到的一系列問題，這些系統必須要讓客戶滿意。我的重點是介紹你在其他書籍中找不到的所有內容。我試圖讓《機器學習系統》盡可能寬泛，希望能夠涵蓋現代數據科學家或工程師的全部職責。我將探討如何使用一般原則和技術來分解機器學習系統中給定組件的一些看似獨特的問題。我的目標是盡可能全面地涵蓋機器學習系統組件，但這意味著我無法全面地研究模型學習算法和分布式系統等大型主題。相反，我設計了一些示例，為你提供構建機器學習系統的各種組件的經驗。
我堅信，要構建一個真正強大的機器學習系統，必須從系統級的角度看待這個問題。在《機器學習系統》中，我將提供一個高級的視角，幫助你圍繞該系統中的每個關鍵組件構建技能。根據我作為技術主管和經理的經驗，我知道整個機器學習系統及其組件的組合是機器學習系統開發人員應該擁有的最重要技能之一。因此，《機器學習系統》試圖涵蓋構建強大的、面向現實世界的機器學習系統需要的所有不同部分。在整個過程中，我們將從團隊的角度出發，為現實用戶提供先進的機器學習系統。因此，我們將探索如何在機器學習系統中構建所有內容。這是項龐大的工作，我很高興你有興趣參與其中。 |
內容簡介：主要內容
？ 使用Spark、MLlib和Akka
？ 反應式設計模式
？ 監控和維護大型系統
？ 特征、actor和監督
讀者需要具備Java或Scala中級技能，但不需要有機器學習經驗。 |
目錄：第Ⅰ部分反應式機器學習基礎知識
第1章學習反應式機器學習3
1.1機器學習系統的一個示例4
1.1.1構建原型系統4
1.1.2建立更好的系統6
1.2反應式機器學習7
1.2.1機器學習7
1.2.2反應式系統12
1.2.3使機器學習系統具有反應性15
1.2.5何時不使用反應式機器學習19
1.3本章小結19
第2章使用反應式工具21
2.1Scala，一種反應式語言22
2.1.1對Scala中的不確定性做出反應23
2.1.2時間的不確定性24
2.2Akka，一個反應式工具包27
2.2.1actor模型27
2.2.2使用Akka確保回彈性29
2.3Spark，一個反應式的大數據框架32
2.4本章小結37
第Ⅱ部分構建反應式機器學習系統
第3章收集數據41
3.1感知不確定數據42
3.2收集大規模數據45
3.2.1維護分布式系統中的狀態45
3.2.2了解數據收集50
3.3持久化數據50
3.3.1彈性和回彈性數據庫51
3.3.2事實數據庫52
3.3.3查詢持久化事實54
3.3.4了解分布式事實數據庫59
3.4應用63
3.5反應性64
3.6本章小結64
第4章生成特征67
4.1SparkML68
4.2提取特征69
4.3轉換特征72
4.3.1共同特征轉換74
4.3.2轉換概念76
4.4選擇特征77
4.5構造特征代碼79
4.5.1特征生成器79
4.5.2特征集的組成83
4.6應用86
4.7反應性87
4.8本章小結88
第5章學習模型89
5.1實現學習算法90
5.1.1貝葉斯建模92
5.1.2實現樸素貝葉斯94
5.2使用MLlib98
5.2.1構建ML管道99
5.2.2演化建模技術103
5.3構建外觀模式105
5.4反應性111
5.5本章小結112
第6章評估模型113
6.1檢測欺詐114
6.2測試數據115
6.3模型度量118
6.4測試模型123
6.5數據泄漏125
6.6記錄起源126
6.7反應性128
6.8本章小結128
第7章發布模型129
7.1農業的不確定性130
7.2持久化模型130
7.3服務模型135
7.3.1微服務135
7.3.2AkkaHTTP136
7.4容器化應用138
7.5反應性141
7.6本章小結142
第8章響應143
8.1以海龜的速度移動144
8.2用任務構建服務144
8.3預測交通146
8.4處理失敗151
8.5構建響應系統155
8.6反應性156
8.7本章小結157
第Ⅲ部分操作機器學習系統
第9章交付161
9.1運送水果161
9.2構建和打包162
9.3構建管道164
9.4評估模型165
9.5部署165
9.6反應性168
9.7本章小結168
第10章演化智能169
10.1聊天169
10.2人工智能170
10.3反射代理171
10.4智能代理172
10.5學習代理174
10.6反應式學習代理177
10.6.1反應原則177
10.6.2反應策略178
10.6.3反應式機器學習178
10.7反應性178
10.7.1庫179
10.7.2系統數據179
10.8反應性探索181
10.8.1用戶182
10.8.2系統維度182
10.8.3應用反應原則183
10.9本章小結184
附錄185 |
| 序： |
