Python機器學習建模與部署 從Keras到Kubernetes ( 簡體 字) |
| 作者：[印]達塔拉·拉奧（Dattaraj Rao） | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 53688
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：11/1/2020 |
| 頁數：240 |
| 光碟數：0 |
|
站長推薦：   |
| 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：9787115550514 |
| 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：本書從實踐的角度，介紹了如何使用基于Python的Keras庫和TensorFlow框架開發機器學習模型和深度學習模型，以及如何使用Kubernetes將其部署到生產環境中。書中討論了許多流行的算法；展示了如何使用它們來構建系統；包含有大量注釋的代碼示例，以便讀者理解并重現這些示例；使用了一個深度學習模型的示例來讀取圖像，并對流行品牌的標識進行分類，然后將該模型部署在分布式集群上，以處理大量的客戶端請求。附錄中提供了一些圖書和網站，這些參考資料涵蓋了本書沒有完全涵蓋的項目的細節。 |
目錄：第 1章 大數據和人工智能 1
1.1 數據是新石油，人工智能是新電力 1
1.1.1 機器的崛起 3
1.1.2 處理能力的指數級增長 4
1.1.3 一種新的分析方法 4
1.1.4 是什么讓人工智能如此特別 5
1.2 人工智能的應用 6
1.2.1 基于數據構建分析類型 9
1.2.2 分析類型：基于應用程序 10
1.2.3 分析類型：基于決策邏輯 14
1.2.4 構建分析驅動的系統 15
1.3 小結 17
第 2章 機器學習 18
2.1 在數據中尋找模式 18
2.2 炫酷的機器學習社區 20
2.3 機器學習技術的類型 21
2.3.1 無監督機器學習 21
2.3.2 監督機器學習 22
2.3.3 強化學習 24
2.4 解決簡單的問題 24
2.4.1 無監督學習 26
2.4.2 監督學習：線性回歸 29
2.4.3 梯度下降優化 31
2.4.4 梯度下降在線性回歸中的應用 33
2.4.5 監督學習：分類 34
2.5 分析更大的數據集 39
2.6 分類方法的比較 43
2.7 偏置與方差：欠擬合與過擬合 46
2.8 強化學習 51
2.8.1 基于模型的強化學習 52
2.8.2 無模型強化學習 53
2.9 小結 58
第3章 處理非結構化數據 59
3.1 結構化數據與非結構化數據 59
3.2 理解圖像 61
3.3 處理視頻 74
3.4 處理文本數據 75
3.4.1 自然語言處理 76
3.4.2 詞嵌入 82
3.5 聽聲音 87
3.6 小結 92
第4章 使用Keras 進行深度學習 93
4.1 處理非結構化數據 93
4.1.1 神經網絡 93
4.1.2 反向傳播和梯度下降 98
4.1.3 批量梯度下降與隨機梯度下降 99
4.1.4 神經網絡架構 100
4.2 TensorFlow和Keras 100
4.3 偏置與方差：欠擬合與過擬合 105
4.4 小結 107
第5章 高級深度學習 108
5.1 深度學習模型的崛起 108
5.2 新型網絡層 109
5.2.1 卷積層 109
5.2.2 池化層 111
5.2.3 dropout層 111
5.2.4 批歸一化層 111
5.3 構建時尚商品圖像分類的深度網絡 112
5.4 卷積神經網絡架構和超參數 118
5.5 使用預訓練的VGG 模型進行預測 120
5.6 數據擴充和遷移學習 123
5.7 真實的分類問題：百事可樂與可口可樂 124
5.8 遞歸神經網絡 133
5.9 小結 138
第6章 前沿深度學習項目 140
6.1 神經風格遷移 140
6.2 使用人工智能生成圖像 150
6.3 利用自編碼器進行信用卡欺詐檢測 156
6.4 小結 165
第7章 現代軟件世界中的人工智能 166
7.1 快速審視現代軟件需求 166
7.2 人工智能如何適應現代軟件開發 168
7.3 簡單的Web應用程序 169
7.4 云計算的興起 170
7.5 容器和CaaS 174
7.6 Kubernetes：基礎架構問題的CaaS解決方案 177
7.7 小結 183
第8章 將人工智能模型部署為微服務 184
8.1 用Docker和Kubernetes構建簡單的微服務 184
8.2 將人工智能添加到應用程序中 188
8.3 將應用程序打包為容器 192
8.4 將Docker鏡像推送到存儲庫 197
8.5 將應用程序作為微服務部署在Kubernetes中 197
8.6 小結 199
第9章 機器學習開發生命周期 200
9.1 機器學習模型生命周期 200
9.1.1 步驟1：定義問題，建立基本事實 201
9.1.2 步驟2：收集、清洗和準備數據 202
9.1.3 步驟3：構建和訓練模型 204
9.1.4 步驟4：驗證模型，調整超參數 206
9.1.5 步驟5：部署到生產中 207
9.1.6 反饋和模型更新 208
9.2 邊緣設備上的部署 208
9.3 小結 217
第 10章 機器學習平臺 218
10.1 機器學習平臺關注點 218
10.1.1 數據獲取 219
10.1.2 數據清洗 222
10.1.3 分析用戶界面 222
10.1.4 模型構建 226
10.1.5 大規模訓練 227
10.1.6 超參數調整 227
10.1.7 自動化部署 229
10.1.8 日志記錄和監控 234
10.2 將機器學習平臺整合在一起 235
10.3 小結 235
10.4 最后的話 236
附錄A 237
|
| 序： |
