机器学习即服务 将Python机器学习创意快速转变为云端WEB应用程序

本书涵盖Kubernetes架构、部署、核心资源类型、系统扩缩容、存储卷、网络插件与网络本书由浅入深地介绍了一系列常见的Python数据科学问题。书中介绍的实践项目简单明了，可作为模板快速启动其他类似项目。通过本书，你将学习如何构建一个Web应用程序以进行数值或分类预测，如何理解文本分析，如何创建强大的交互界面，如何对数据访问进行安全控制，以及如何利用Web插件实现信用卡付款和捐赠。
每章都遵循三个步骤：以正确的方式建模，设计和开发本地Web应用程序，部署到流行且可靠的无服务器计算云平台（AWS、微软、谷歌和PythonAnywhere）上。本书各章之间是独立的，你可以根据需求跳转至特定主题。

 

译者序1
译者序2
译者序3
关于作者
关于技术审校者
前言
章无服务器计算介绍1
1.1一个简单的本地Flask应用程序1
1.2在微软Azure上使用无服务器计算4
1.2.1操作步骤5
1.2.2结论和附加信息12
1.3在谷歌云上使用无服务器计算12
1.3.1操作步骤13
1.3.2结论和附加信息18
1.4在Amazon AWS上使用无服务器计算19
1.4.1操作步骤19
1.4.2结论和附加信息24
1.5在PythonAnywhere上托管应用程序24
1.5.1操作步骤25
1.5.2结论和附加信息26
1.6本章小结26
第2章在Azure上进行共享单车回归模型智能预测27
2.1共享单车租赁需求回归系数分析28
2.2探索共享单车原始数据集28
2.2.1下载UCI机器学习库数据集29
2.2.2Jupyter Notebook配置使用29
2.2.3数据集探索31
2.2.4预测结果变量分析33
2.2.5量化特征与租赁统计34
2.2.6分类特征研究35
2.3数据建模准备工作36
2.3.1回归建模37
2.3.2简单线性回归37
2.3.3简单线性回归模型37
2.4特征工程试验39
2.4.1多项式建模39
2.4.2创建分类数据虚拟特征40
2.4.3非线性模型试验41
2.4.4使用时间序列复杂特征42
2.5简约模型44
2.5.1简单模型中的回归系数提取44
2.5.2R-Squared44
2.5.3基于回归系数的新数据预测46
2.6共享单车租赁需求交互式Web应用设计48
2.6.1代码可读性与扩展性摘要48
2.6.2构建本地Flask应用49
2.6.3下载运行GitHub共享单车代码50
2.6.4Web应用程序调试很好实践51
2.7在微软Azure上运行Web应用程序54
2.7.1使用Git托管项目代码54
2.7.2微软Azure命令行接口工具使用56
2.7.3资源清理59
2.7.4故障排查60
2.7.5步骤回顾62
2.8Web应用程序脚本及技术分析62
2.8.1main.py文件分析63
2.8.2/static/文件夹分析64
2.8.3/templates/index.html文件及脚本分析64
2.9本章小结66
2.10附加资源66
第3章在GCP上基于逻辑回归实现实时智能67
3.1规划Web应用68
3.2数据处理68
3.2.1处理分类型数据71
3.2.2从分类型数据创建虚拟特征75
3.3建模75
3.3.1训练和测试数据集拆分76
3.3.2逻辑回归77
3.3.3预测幸存率78
3.4准备上云78
3.4.1函数startup()79
3.4.2函数submit_new_profile()79
3.4.3使用HTML表单实现交互79
3.4.4创建动态图像80
3.4.5下载Titanic代码81
3.5部署到谷歌云上82
3.5.1Google App Engine82
3.5.2在Google App Engine上进行部署83
3.5.3问题排查86
3.5.4收尾工作87
3.6代码回顾87
3.6.1main.py87
3.6.2app.yaml88
3.6.3appengine_config.py文件与lib文件夹89
3.6.4requirements.txt89
3.7步骤回顾90
3.8本章小结90
第4章在AWS上使用Gradient Boosting Machine进行预训练91
4.1Web应用程序规划92
4.2探索葡萄酒品质数据集92
4.3处理不平衡的类别95
4.4使用Gradient Boosting Classifier97
4.4.1评估模型98
4.4.2持久化模型101
4.4.3新数据预测101
4.5设计Web应用程序以交互评估葡萄酒品质103
4.6Ajax—服务器端动态Web渲染104
4.7在虚拟环境中工作：一个方便实验、更加安全和纯净的沙箱104
4.8AWS Elastic Beanstalk105
4.8.1为Elastic Beanstalk创建一个访问账户106
4.8.2Elastic Beanstalk108
4.8.3EB Command Line Interface108
4.8.4修复WSGIApplication-Group110
4.8.5创建EB应用程序111
4.8.6查看应用程序111
4.9资源清理112
4.10步骤回顾114
4.11故障排查115
4.11.1查看日志115
4.11.2SSH登录到实例115
4.12本章小结116
第5章案例研究1：在Web和移动浏览器上预测股票市场117
5.1配对交易策略118
5.2下载和准备数据119
5.2.1准备数据120
5.2.2股票代码透视121
5.3价格市场数据扩展121
5.4绘制价差122
5.5交易理念123
5.5.1寻找特别案例123
5.5.2提供交易建议124
5.6计算交易股数125
5.7设计一个移动友好的Web应用程序提供交易建议127
5.8运行本地Flask应用程序128
5.9表单验证130
5.10在PythonAnywhere上运行应用程序130
5.11修复WSGI文件133
5.11.1源代码133
5.11.2WSGI配置133
5.11.3重新加载网站134
5.12PythonAnywhere故障排查135
5.13本章小结136
第6章基于Azure和Google地图的犯罪行为预测137
6.1Web应用程序规划138
6.2探索旧金山犯罪热图数据集138
6.2.1数据清洗139
6.2.2数据重分布140
6.2.3周数据探索142
6.3数据特征工程142
6.3.1创建年度月份汇总数据特征143
6.3.2创建时段数据特征144
6.3.3时段特征数据集探索145
6.4地理数据可视化146
6.4.1地理坐标位置绘制146
6.4.2地理坐标近似值区块创建147
6.5基于历史数据的犯罪预测149
6.6Google地图152
6.7热力图层153
6.8犯罪数据在Google地图上的应用154
6.9犯罪预测数据自定义提取155
6.10设计Web应用程序156
6.10.1添加Google API密钥157
6.10.2本地运行Web应用程序157
6.10.3Azure公有云Git准备157
6.10.4Azure命令行接口工具160
6.10.5故障排查164
6.10.6资源清理166
6.11本章小结166
第7章在AWS上使用朴素贝叶斯和OpenWeather进行预测167
7.1探索数据集167
7.2朴素贝叶斯169
7.3Sklearn中的GaussianNB170
7.4实时天气预报OpenWeatherMap171
7.4.1使用天气预测服务173
7.4.2数据转换174
7.5设计Web应用程序177
7.6在AWS Elastic Beanstalk上运行应用程序179
7.6.1修复WSGIApplication-Group180
7.6.2查看应用程序181
7.6.3记得终止实例182
7.7本章小结184
7.7.1访问OpenWeatherMap数据184
7.7.2捕获异常184
7.7.3处理用户输入的数据185
第8章在GCP上基于TensorFlow实现交互式绘画和数字预测186
8.1MNIST数据集186
8.2TensorFlow189
8.3使用TensorFlow和卷积网络建模189
8.3.1构建建模层190
8.3.2损益函数191
8.3.3实例化会话191
8.3.4训练191
8.3.5准确度191
8.3.6运行脚本192
8.4准备上云193
8.4.1运行一个保存的TensorFlow模型193
8.4.2保存模型194
8.4.3画布194
8.4.4从画布到TensorFlow195
8.4.5测试新的手写数字195
8.4.6设计Web应用程序196
8.4.7下载Web应用程序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问题排查201
8.5.4收尾工作202
8.6本章小结203
8.6.1HTML5
8.6.2TensorFlow203
8.6.3设计203
第9章 案例研究2：动态股票图表显示205
9.1使用Matplotlib创建股票图表205
9.2探索配对交易图表207
9.3设计Web应用程序210
9.4具有移动友好性的表格211
9.5上传Web应用程序到PythonAnywhere213
9.6本章小结215
0章在GCP上使用奇异值分解实现推荐系统216
10.1规划Web应用216
10.2推荐系统简介217
10.3探索MovieLens数据集217
10.3.1MovieLens数据集概况218
10.3.2探索ratings.csv和movies.csv219
10.3.3理解评级和评级文化221
10.3.4给出推荐224
10.4协同过滤226
10.4.1相似性和距离测量工具227
10.4.2欧几里得距离227
10.4.3余弦相似距离228
10.5奇异值分解228
10.5.1将电影评级集中到零周围229
10.5.2观察SVD的行为229
10.6准备上云232
10.6.1下载并在本地运行“下一部电影看什么？”232
10.6.2代码解释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问题排查240
10.7.3收尾工作240
10.8本章小结241
1章在Azure上使用NLP和可视化技术简化复杂概念242
11.1Web应用规划242
11.2数据探索243
11.3文本清理244
11.4基于文本的特征工程245
11.5TFIDF文本数据清理247
11.6NLP与正则表达式247
11.7使用外部垃圾邮件关键字列表248
11.8使用Sklearn库TfidfVectorizer提取特征250
11.9输出变量准备250
11.10使用Sklearn库随机森林分类器建模251
11.10.1模型性能测量252
11.10.2模型阈值交互255
11.11Web图形化交互256
11.12构建本地Flask Web应用257
11.13将应用程序部署到Azure公有云259
11.13.1在Azure上部署Git259
11.13.2Azure命令行接口工具262
11.13.3资源清理265
11.13.4故障排查266
11.14本章小结与附加资源268
2章案例研究3：使用基础财务信息使内容更丰富269
12.1访问股票上市公司名单269
12.2使用维基百科API获取公司信息271
12.3构建动态FinViz链接272
12.4基础消息探索273
12.5设计Web应用程序274
12.6上传Web应用程序到PythonAnywhere276
12.7本章小结281
3章使用Google Analytics282
13.1创建Google Analytics账户282
13.2JavaScript跟踪器283
13.3阅读分析报告284
13.4流量来源286
13.5页面286
13.6本章小结与附加资源287
4章在PythonAnywhere上使用A/B测试和MySQL数据库288
14.1A/B测试289
14.1.1用户跟踪290
14.1.2通用专享标识符290
14.2MySQL290
14.2.1使用命令行启动和停止服务292
14.2.2MySQL命令行监视器293
14.2.3创建数据库293
14.2.4创建数据表294
14.2.5创建数据库用户295
14.3Python库：mysql.connector295
14.3.1SELECT SQL语句296
14.3.2INSERT SQL语句296
14.3.3UPDATE SQL语句297
14.4将代码抽象为函数298
14.5设计Web应用程序300
14.6在PythonAnywhere上设置MySQL300
14.7在PythonAnywhere上进行A/B测试302
14.8A/B测试结果304
14.9本章小结304
5章从访问者到订阅者306
15.1基于文本的身份验证306
15.1.1Flask-HTTPAuth硬编码账户307
15.1.2摘要式身份验证示例308
15.1.3使用外部文本文件的摘要式身份验证示例309
15.2简单订阅插件系统311
15.2.1用Memberful进行销售311
15.2.2用PayPal进行捐赠315
15.2.3用Stripe进行购买317
15.3本章小结321
6章案例研究4：使用Memberful构建订阅付费墙322
16.1升级Memberful和Python-Anywhere支付账户323
16.1.1升级Memberful323
16.1.2升级PythonAnywhere326
16.1.3使用pip安装Flask-SSLify326
16.2Memberful用户验证327
16.2.1两步流程和Flask会话机制327
16.2.2身份验证步328
16.2.3身份验证第2步328
16.2.4调用Memberful函数330
16.3设计Web应用程序331
16.3.1在Memberful.com上设计一个订阅计划331
16.3.2将Web应用程序上传到PythonAnywhere333
16.3.3在Memberful和MySQL中替换你自己的凭据335
16.4代码解释336
16.4.1main.py336
16.4.2welcome.html336
16.4.3index.html337
16.5本章小结338
7章关闭所有资源339