人工智能开发实践 云端机器学习导论

在Netflix公司曾承办的一次有名推荐算法比赛中，获得冠军的团队因使用了大量模型使得推荐算法的准确率提升了10%，从而获得了百万美元的大奖，但实际上，后期真正付诸实践的却是仅提升了8.43%准确率的另一支团队的改进算法。这一现象背后的原因，阅读完《人工智能开发实践：云端机器学习导论》，你将获得答案。
务实地解决AI问题需要更多地关注结果而不仅仅是技术。归根结底，花费数月时间为一些永远无法投入生产的任务选择的机器学习算法只是浪费精力和金钱，更高效的方式是使用云提供商提供的现成解决方案进行业务开发。
《人工智能开发实践：云端机器学习导论》的理念是：不再追求人工智能项目的完美方案，而是在有限的成本、资源、技术条件下，实现能够交付于实际生产的解决方案。

赞誉
译者序
前言
致谢
作者简介
第一部分 实用人工智能基础
第1章 实用人工智能简介2
1.1 Python功能介绍3
1.1.1 程序语句4
1.1.2 字符串和字符串格式化6
1.1.3 数字与算术运算8
1.1.4 数据结构10
1.1.5 函数12
1.2 在Python中使用控制结构19
1.2.1 for循环20
1.2.2 while循环21
1.2.3 if/else语句21
1.2.4 生成器表达式22
1.2.5 列表推导式23
1.2.6 中级主题23
1.3 进一步思考26
第2章 人工智能与机器学习的工具链28
2.1 Python数据科学生态系统：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29
2.2 R语言、RStudio、Shiny和ggplot30
2.3 电子表格：Excel和Google表格30
2.4 使用Amazon网络服务开发云端AI 31
2.5 AWS上的DevOps31
2.5.1 持续交付31
2.5.2 为AWS创建软件开发环境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 数据科学中的基本Docker容器设置49
2.7 其他构建服务器：Jenkins、CircleCI、Codeship和Travis49
2.8 小结50
第3章 斯巴达式AI生命周期51
3.1 实用生产反馈回路52
3.2 AWS SageMaker55
3.3 AWS Glue反馈回路56
3.4 AWS批处理60
3.5 基于Docker容器的反馈回路62
3.6 小结64
第二部分 云端人工智能
第4章 使用Google云平台开发云端AI66
4.1 Google云平台概述67
4.2 Colaboratory合作实验工具68
4.3 Datalab数据处理工具70
4.3.1 使用Docker和Google容器注册表扩展Datalab70
4.3.2 使用Datalab启动强大的机器71
4.4 BigQuery云数据仓库73
4.5 Google云端AI服务76
4.6 云端TPU和TensorFlow79
4.7 小结82
第5章 使用Amazon Web服务开发云端AI 83
5.1 在AWS上构建增强现实和虚拟现实解决方案85
5.1.1 计算机视觉：带有EFS和Flask的AR/VR管道86
5.1.2 带EFS、Flask和Pandas的数据工程管道88
5.2 小结102
第三部分 创建实际AI应用程序
第6章 预测社交媒体在NBA中的影响力104
6.1 提出问题104
6.2 收集具有挑战性的数据源123
6.2.1 收集运动员的Wikipedia页面访问量123
6.2.2 收集运动员的Twitter参与度129
6.2.3 探索NBA运动员数据132
6.3 NBA球员的无监督机器学习136
6.3.1 使用R语言对NBA球员执行分面聚类绘图136
6.3.2 汇总：球队、球员、影响力和广告代言138
6.4 更多的实际进阶与学习140
6.5 小结141
第7章 使用AWS创建智能的Slack机器人142
7.1 创建机器人142
7.2 将库转换为命令行工具143
7.3 使用AWS工作流服务将机器人提升到新水平145
7.4 获取IAM证书设置146
7.5 建立工作流155
7.6 小结157
第8章 从GitHub组织中寻找项目管理的思考158
8.1 软件项目管理问题综述158
8.2 开始创建数据科学项目框架160
8.3 收集和转换数据162
8.4 与GitHub组织交流164
8.5 创建特定领域的统计信息165
8.6 将数据科学项目连接到CLI客户端167
8.7 使用Jupyter Notebook探索GitHub 组织169
8.8 查看CPython项目中的文件元数据171
8.9 查看CPython项目中的已删除文件174
8.10 将项目部署到Python包索引库177
8.11 小结179
第9章 动态优化基于AWS的弹性计算云（EC2）实例181
9.1 在AWS上运行作业181
9.1.1 EC2 Spot实例181
9.1.2 Spot实例理论和定价历史182
9.1.3 编写Spot实例启动程序191
9.1.4 编写更复杂的Spot实例启动程序196
9.2 小结197
第10章 房地产数据研究199
10.1 美国房地产价值探索199
10.2 Python中的交互式数据可视化201
10.3 规模等级和价格聚类203
10.4 小结209
第11章 用户生成内容的生产环境AI211
11.1 Netflix奖未在生产中实施212
11.2 推荐系统的基本概念213
11.3 在Python中使用Surprise 框架213
11.4 推荐系统的云解决方案216
11.5 推荐系统的实际生产问题216
11.6 云端自然语言处理和情绪分析221
11.6.1  Azure上的NLP221
11.6.2 GCP上的NLP224
11.6.3 AWS上的生产型无服务器NLP AI管道227
11.7 小结233
附录A AI加速器234
附录B 聚类大小的选择236