Python機器學習建模與部署：從Keras到Kubernetes

定　價：￥79.00

作　者：	[印] 達塔拉·拉奧（Dattaraj Rao）著，崔艷榮，詹煒，楊慧明譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥66.20)

ISBN：	9787115550514	出版時間：	2020-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	240	字數(shù)：

內(nèi)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(fā)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(chǎn)環(huán)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(tǒng)；包含有大量注釋的代碼示例，以便讀者理解并重現(xiàn)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(wǎng)站，這些參考資料涵蓋了本書沒有完全涵蓋的項目的細節(jié)。

作者簡介

　　達塔拉·拉奧（Dattaraj Rao）目前擔任Persistent Systems公司的創(chuàng)新與研發(fā)架構師，并領導該公司的人工智能研究實驗室。曾任印度班加羅爾通用電氣公司（GE）的首席架構師，在GE工作了19年，通過GE獲得了11項專利，是GE認證的分析工程師。他曾主導運輸業(yè)務的分析和人工智能戰(zhàn)略，構建工業(yè)物聯(lián)網(wǎng)解決方案，推動預見性維護、機器視覺和數(shù)字孿生等技術成果的落地。【譯者簡介】崔艷榮，教授，博士，碩士生導師，長江大學計算機科學學院院長。主持和參與各級各類項目20余項，發(fā)表論文30余篇，其中被EI檢索8篇。主編21世紀高等學校規(guī)劃教材《物聯(lián)網(wǎng)概論》。輔導學生參加全國計算機仿真大賽，獲全國一等獎1項、二等獎1項、三等獎2項。詹煒，博士，副教授，長江大學計算機科學學院副院長。主要從事圖像深度學習算法、計算機視覺技術和智能多目標優(yōu)化算法3個方向的應用研究工作；主持并完成省級項目2項，廳局級項目2項，發(fā)表科研論文20余篇。楊慧明，就讀于長江大學計算機科學學院。擅長機器學習與數(shù)字圖像處理，目前深入學習編譯器和程序動態(tài)運行機制。

圖書目錄

第 1章大數(shù)據(jù)和人工智能　1
1．1　數(shù)據(jù)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(shù)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(shù)據(jù)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(qū)動的系統(tǒng)　15
1．3　小結　17
第　2章機器學習　18
2．1　在數(shù)據(jù)中尋找模式　18
2．2　炫酷的機器學習社區(qū)　20
2．3　機器學習技術的類型　21
2．3．1　無監(jiān)督機器學習　21
2．3．2　監(jiān)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(jiān)督學習　26
2．4．2　監(jiān)督學習：線性回歸　29
2．4．3　梯度下降優(yōu)化　31
2．4．4　梯度下降在線性回歸中的應用　33
2．4．5　監(jiān)督學習：分類　34
2．5　分析更大的數(shù)據(jù)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(shù)據(jù)　59
3．1　結構化數(shù)據(jù)與非結構化數(shù)據(jù)　59
3．2　理解圖像　61
3．3　處理視頻　74
3．4　處理文本數(shù)據(jù)　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(shù)據(jù)　93
4．1．1　神經(jīng)網(wǎng)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(jīng)網(wǎng)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(wǎng)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(wǎng)絡　112
5．4　卷積神經(jīng)網(wǎng)絡架構和超參數(shù)　118
5．5　使用預訓練的VGG 模型進行預測　120
5．6　數(shù)據(jù)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(jīng)網(wǎng)絡　133
5．9　小結　138
第6章　前沿深度學習項目　140
6．1　神經(jīng)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(xiàn)代軟件世界中的人工智能　166
7．1　快速審視現(xiàn)代軟件需求　166
7．2　人工智能如何適應現(xiàn)代軟件開發(fā)　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(fā)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(shù)據(jù)　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(diào)整超參數(shù)　206
9．1．5　步驟5：部署到生產(chǎn)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(shù)據(jù)獲取　219
10．1．2　數(shù)據(jù)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(guī)模訓練　227
10．1．6　超參數(shù)調(diào)整　227
10．1．7　自動化部署　229
10．1．8　日志記錄和監(jiān)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