相關商品
商品簡介
名人/編輯推薦
目次
商品簡介
本書介紹如何使用機器學習、人工智能和雲計算工具解決現實世界的問題，即使你在數學或數據科學方面沒有很強的背景知識，本書也能很好地引導你深入淺出地理解相關概念和工具。本書展示了來自亞馬遜、穀歌和微軟的強大的現成雲產品，並展示了如何使用Python數據科學生態系統的成熟技術。本書所介紹的工作流程和示例涉及從部署到生產各個環節，通過逐步構建多種雲端人工智能、機器學習應用程序（覆蓋體育營銷、項目管理、產品定價、房地產等領域中的實際問題），幫助你構建可擴展的能交付於生產的解決方案。
名人/編輯推薦
不再追求人工智能項目的完美方案，而是在有限的成本、資源、技術條件下，實現能夠交付於實際生產的解決方案
目次
讚譽
譯者序
前言
致謝
作者簡介
第一部分 實用人工智能基礎
第1章 實用人工智能簡介2
1.1 Python功能介紹3
1.1.1 程序語句4
1.1.2 字符串和字符串格式化6
1.1.3 數字與算術運算8
1.1.4 數據結構10
1.1.5 函數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 人工智能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網絡服務開發雲端AI 31
2.5 AWS上的DevOps31
2.5.1 持續交付31
2.5.2 為AWS創建軟件開發環境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容器設置49
2.7 其他構建服務器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結50
第3章 斯巴達式AI生命週期51
3.1 實用生產反饋回路52
3.2 AWS SageMaker55
3.3 AWS Glue反饋回路56
3.4 AWS批處理60
3.5 基於Docker容器的反饋回路62
3.6 小結64
第二部分 雲端人工智能
第4章 使用Google雲平臺開發雲端AI66
4.1 Google雲平臺概述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應用程序
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創建智能的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證書設置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 軟件項目管理問題綜述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 將數據科學項目連接到CLI客戶端167
8.7 使用Jupyter Notebook探索GitHub 組織169
8.8 查看CPython項目中的文件元數據171
8.9 查看CPython項目中的已刪除文件174
8.10 將項目部署到Python包索引庫177
8.11 小結179
第9章 動態優化基於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實例啟動程序191
9.1.4 編寫更複雜的Spot實例啟動程序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中的交互式數據可視化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上的生產型無服務器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
譯者序
前言
致謝
作者簡介
第一部分 實用人工智能基礎
第1章 實用人工智能簡介2
1.1 Python功能介紹3
1.1.1 程序語句4
1.1.2 字符串和字符串格式化6
1.1.3 數字與算術運算8
1.1.4 數據結構10
1.1.5 函數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 人工智能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網絡服務開發雲端AI 31
2.5 AWS上的DevOps31
2.5.1 持續交付31
2.5.2 為AWS創建軟件開發環境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容器設置49
2.7 其他構建服務器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結50
第3章 斯巴達式AI生命週期51
3.1 實用生產反饋回路52
3.2 AWS SageMaker55
3.3 AWS Glue反饋回路56
3.4 AWS批處理60
3.5 基於Docker容器的反饋回路62
3.6 小結64
第二部分 雲端人工智能
第4章 使用Google雲平臺開發雲端AI66
4.1 Google雲平臺概述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應用程序
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創建智能的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證書設置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 軟件項目管理問題綜述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 將數據科學項目連接到CLI客戶端167
8.7 使用Jupyter Notebook探索GitHub 組織169
8.8 查看CPython項目中的文件元數據171
8.9 查看CPython項目中的已刪除文件174
8.10 將項目部署到Python包索引庫177
8.11 小結179
第9章 動態優化基於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實例啟動程序191
9.1.4 編寫更複雜的Spot實例啟動程序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中的交互式數據可視化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上的生產型無服務器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
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。