Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Chmura

AI – podejście pragmatyczne: Wprowadzenie do uczenia maszynowego opartego na chmurze Język: 1

978-83-7541-363-2

Cena Brutto: 69.90

Cena netto: 66.57

Ilość:
Wersja: Drukowana
Autor Noah Gift
Liczba_stron 296
Wydawnictwo Pearson - Addison-Wesley
Oprawa miękka
Data_Wydania 2018-11-23
AI – podejście pragmatyczne: Wprowadzenie do uczenia maszynowego opartego na chmurze

AI Podejście pragmatyczne pomaga rozwiązywać praktyczne problemy przy użyciu nowoczesnego uczenia maszynowego, sztucznej inteligencji i chmurowych narzędzi obliczeniowych. Noah Gift demistyfikuje wszelkie koncepcje i narzędzia potrzebne do osiągnięcia wyników – nawet jeśli Czytelnik nie ma solidnego przygotowania z matematyki lub data science.

Autor wyjaśnia skuteczne, gotowe do użycia rozwiązania udostępniane przez Amazon, Google i Microsoft i demonstruje sprawdzone techniki, wykorzystujące ekosystem analizy danych oparty na języku Python. Proponowane podejścia i przykłady pomagają ukierunkować i uprościć każdy krok od wdrożenia po produkcję i budować rozwiązania o niezwykłych możliwościach skalowania. W miarę poznawania działania rozwiązań Machine Language (ML) będziesz uzyskiwać coraz bardziej intuicyjne zrozumienie tego, co można dzięki nim osiągnąć i jak zmaksymalizować ich wartość.

Na tych podstawach autor krok po kroku prezentuje budowanie chmurowych aplikacji AI/ML do rozwiązywania realistycznych problemów w dziedzinie marketingu, zarządzania projektami, wyceniania produktów, nieruchomości i dużo więcej. Bez względu na to, czy jesteś profesjonalistą biznesowym, osobą decyzyjną, studentem czy programistą, eksperckie wskazówki autora i rozbudowane analizy przypadków przygotują cię do rozwiązywania problemów data science w niemal dowolnym środowisku.

NOAH GIFT, wykładowca i konsultant w programie MSBA prowadzonym przez Davis Graduate ­School of Management, w przeszłości pełnił rozmaite role menedżerskie i projektowe. Jako założy-ciel Pragmatic AI Labs doradza różnym firmom w dziedzinie uczenia maszynowego i architektury chmurowej. Jest członkiem Python Software Foundation, posiada certyfikat SME AWS i opublikował kilka książek na temat chmurowego uczenia maszynowego i DevOps.

  • Uzyskaj i skonfiguruj wszystkie potrzebne narzędzia
  • Szybko przejrzyj wszystkie funkcjonalności Pythona, których potrzebujesz do budowania aplikacji uczenia maszynowego
  • Opanuj narzędzia AI i ML oraz cykl życia projektu
  • Korzystaj z narzędzi analitycznych Pythona, takich jak IPython, Pandas, Numpy, Juypter Notebook i Sklearn
  • Dołącz pragmatyczną pętlę zwrotną, która pozwoli nieustannie poprawiać wydajność naszych procedur i systemów
  • Projektuj chmurowe rozwiązania AI oparte na Google Cloud Platform, uwzględniając usługi TPU, Colaboratory i Datalab
  • Definiuj chmurowe przepływy pracy w Amazon Web Services, w tym wystąpienia punktowe, potoki kodu i inne
  • Pracuj z API sztucznej inteligencji w Microsoft Azure
  • Poznaj budowanie sześciu rzeczywistych aplikacji AI od początku do końca

Wstęp ix

Podziękowania xiii

O autorze xv

Źródła ilustracji xvi

Część I: Wprowadzenie do pragmatycznej AI 1

1. Pragmatyczne podejście do AI 3

Funkcjonalne wprowadzenie do Pythona 4

Instrukcje proceduralne 5

Drukowanie 5

Tworzenie i używanie zmiennych 5

Wiele instrukcji proceduralnych 6

Obliczenia arytmetyczne 6

Łączenie fraz (tekstów) 6

Złożone instrukcje 6

Ciągi i formatowanie ciągów 7

Liczby i operacje arytmetyczne 10

Struktury danych 11

Słowniki 11

Listy 13

Funkcje 13

Pisanie funkcji 14

Prosta funkcja 14

Dokumentowanie funkcji 14

Argumenty funkcji: pozycyjne lub nazwane 14

Używanie struktur sterujących w Pythonie 22

Pętla for 22

Pętle while 23

if/elif/else 24

Wyrażenie generatora 24

Wyrażenia listowe 25

Zagadnienia pośrednie 26

Tworzenie biblioteki w Pythonie 26

Importowanie biblioteki 26

Instalowanie innych bibliotek przy użyciu pip install 27

Klasy 28

Finalne spostrzeżenia 29

2. Narzędzia AI i ML 31

Ekosystem analiz danych w Pythonie: IPython, Pandas, NumPy, Jupyter Notebook,

Sklearn 32

R, RStudio, Shiny i ggplot 33

Arkusze kalkulacyjne: Excel oraz Google Sheets 33

Projektowanie rozwiązania chmurowego AI przy użyciu Amazon Web Services 34

DevOps w AWS 34

Ciągłe dostarczanie 35

Tworzenie środowiska projektowania oprogramowania dla AWS 35

Integracja z Jupyter Notebook 42

Integrowanie narzędzi wiersza polecenia 44

Integrowanie narzędzi AWS CodePipeline 48

Konfigurowanie Docker na potrzeby analiz danych 53

Inne serwery kompilacji: Jenkins, CircleCI oraz Travis 54

Podsumowanie 54

3. Spartański cykl życia AI 55

Pragmatyczne sprzężenie zwrotne 56

AWS SageMaker 59

Sprzężenie zwrotne AWS Glue 61

AWS Batch 65

Sprzężenia zwrotne oparte na Docker 66

Podsumowanie 68

Część II: AI w chmurze 69

4. Chmurowe projektowanie AI w Google Cloud Platform 71

Przegląd GCP 72

Colaboratory 73

Datalab 75

Rozszerzanie Datalab przy użyciu Docker i Google Container Registry 75

Uruchamianie wydajnych maszyn przy użyciu Datalab 76

BigQuery 78

Przenoszenie danych do BigQuery z wiersza polecenia 79

Usługi AI w chmurze Google 81

Klasyfikowanie (wielu) ras mojego psa przy użyciu Cloud Vision API 82

Cloud TPU i TensorFlow 84

Uruchamianie MNIST w Cloud TPU 85

Podsumowanie 87

5. Projektowanie chmurowej AI przy użyciu Amazon Web Services 89

Budowanie rozwiązań rzeczywistości rozszerzonej (AR) i wirtualnej (VR) w AWS 91

Rozpoznawanie obrazów: potoki AR/VR z EFS i Flask 92

Potok inżynierii danych z wykorzystaniem EFS, Flask i Pandas 94

Podsumowanie 109

Część III: Tworzenie praktycznych aplikacji AI 111

6. Przewidywanie wpływów mediów społecznościowych w NBA 113

Formułowanie problemu 114

Gromadzenie danych 114

Gromadzenie danych z trudnych źródeł 135

Gromadzenie informacji o wyświetleniach stron Wikipedii dla sportowców 135

Gromadzenie informacji o zaangażowaniu sportowców na Twitterze 140

Przeglądanie danych sportowców NBA 143

Nienadzorowane uczenie maszynowe dotyczące zawodników NBA 147

Tworzenie wykresu kafelkowego w R 148

Zebranie wszystkiego razem: drużyny, zawodnicy, siła i dodatki 150

Kolejne pragmatyczne kroki 152

Podsumowanie 152

7. Tworzenie inteligentnego slackbota w AWS 153

Tworzenie bota 153

Konwertowanie biblioteki w narzędzie wiersza polecenia 154

Przenoszenie bota na następny poziom przy użyciu funkcji krokowych AWS 156

Konfigurowanie poświadczeń IAM 157

Korzystanie z chalice 157

Budowanie funkcji krokowej 166

Podsumowanie 169

8. Wyszukiwanie pomysłów na zarządzanie projektami w organizacji GitHub 171

Przegląd problemów związanych z zarządzaniem projektami oprogramowania 171

Pytania do rozważenia 172

Tworzenie wstępnego szkieletu projektu Data Science 173

Zbieranie i transformowanie danych 175

Komunikowanie się z całą organizacją GitHub 177

Tworzenie statystyk specyficznych dla dziedziny 178

Wiązanie projektu Data Science ze środowiskiem wiersza polecenia 180

Wykorzystanie notatnika Jupyter do eksplorowania organizacji 182

Projekt Pallets 182

Przeglądanie metadanych pliku w projekcie CPython 184

Wyszukiwanie usuniętych plików w projekcie CPython 188

Wdrażanie projektu w Python Package Index 191

Podsumowanie 193

9. Dynamiczna optymalizacja instancji EC2 w AWS 195

Uruchamianie zadań w AWS 195

Instancje Spot 195

Podsumowanie 213

10. Nieruchomości 215

Eksplorowanie rynku nieruchomości w Stanach Zjednoczonych 215

Interaktywna wizualizacja danych w Pythonie 217

Grupowanie według rozmiarów i cen 219

Podsumowanie 226

11. Produkcyjna AI dla treści generowanych przez użytkowników 227

Netflix Prize nie została zaimplementowana w produkcji 228

Kluczowe koncepcje systemów rekomendacji 229

Korzystanie z platformy Surprise w Pythonie 230

Rozwiązania chmurowe dla systemów rekomendacji 232

Problemy świata rzeczywistego w mechanizmach rekomendacji 233

Praktyczne problemy systemów rekomendacji: integracja z produkcyjnymi API 234

Chmurowe NLP i analiza opinii 238

NLP w Azure 238

NLP w GCP 241

Eksplorowanie API jednostek 241

Produkcyjny bezserwerowy potok AI dla NLP w AWS 244

Podsumowanie 250

12. Akceleratory AI 251

13. Wybór liczby grup 253

Indeks 255

 

powrót
 
Produkty Podobne
AI – podejście pragmatyczne: Wprowadzenie do uczenia maszynowego opartego na chmurze
Pragmatic AI: An Introduction to Cloud-Based Machine Learning
Programming Microsoft Azure Service Fabric, 2nd Edition
Orchestrating and Automating Security for the Internet of Things: Delivering Advanced Security Capabilities from Edge to Cloud for IoT
Microsoft Azure Security Center
Exam Ref 70-535 Architecting Microsoft Azure Solutions
Exam Ref 70-532 Developing Microsoft Azure Solutions, 2nd Edition
Exam Ref 70-533 Implementing Microsoft Azure Infrastructure Solutions, 2nd Edition
Exam Ref 70-347 Enabling Office 365 Services, 2nd Edition
Microsoft Hybrid Cloud Unleashed with Azure Stack and Azure
Więcej produktów