《智能系统与技术丛书机器学习即服务:将PYTHON机器学习创意快速转变为云端WEB应用程序》[美]曼纽尔・阿米纳特吉（Manuel | PDF下载|ePub下载

创建

2024 年 10 月 28 日

查看

类别: 计算机/网络

智能系统与技术丛书机器学习即服务:将PYTHON机器学习创意快速转变为云端WEB应用程序版权信息

出版社：机械工业出版社
出版时间：2018-06-01
ISBN：9787111627036
条形码：9787111627036 ; 978-7-111-62703-6

智能系统与技术丛书机器学习即服务:将PYTHON机器学习创意快速转变为云端WEB应用程序本书特色

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（亚马逊、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。

智能系统与技术丛书机器学习即服务:将PYTHON机器学习创意快速转变为云端WEB应用程序内容简介

近几年来，人工智能（AI）一直在飞速发展着，它正在开启一个全新的创新时代。从智能音箱到各种机器人，从人脸识别到语言翻译，从智能推荐到自动驾驶，人工智能在各行各业应用得越来越广泛。人工智能技术是引领未来的创新性技术，它将拥有很好光明的前景。译者对这一点深信不疑。于是，大概半年前，为了学习AI，译者买来了大学时期曾经学过的《概率论》《微积分》《线性代数》等数学书籍，以及几本讲述各种算法和模型的大部头。尽管很努力地学习，但是自我感觉效果不太理想。一来要学习的内容很好多，二来各种算法很好枯燥，三来没有太多使用机会，因此很难在短时间内就理解得比较透彻，有时甚至有了打退堂鼓的念头。直至看到Apress出版的《Monetizing Machine Learning》，我才知道学习AI还有如此轻松有趣的方法。书中实现了多个包含AI能力的完整Web应用程序，包括利用Python、Flask、Google Analytics、Google Maps、PythonAnywhere、Memberful等编程工具和云服务，在GCP上实现一个交互式画布并利用TensorFlow来对手写数字进行预测，在GCP上使用奇异值分解算法来向用户推荐电影，在AWS上使用朴素贝叶斯算法来为高尔夫球手实时预测天气，在Azure上利用云端回归系数来预测共享单车租赁需求等。从这些例子可以看出，本书另辟蹊径，不从各种算法和模型推理入手，而是一步一步从产品设计开始，到代码实现，再到云上部署，让读者学习如何利用AI来实现这些Web应用程序中的智能能力。

智能系统与技术丛书机器学习即服务:将PYTHON机器学习创意快速转变为云端WEB应用程序目录

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
第1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
2.2.2　Jupyter 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
2.5.2　R-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
2.6.4　Web应用程序调试*佳实践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
2.8　Web应用程序脚本及技术分析62
2.8.1　main.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
3.5.1　Google 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
3.6.1　main.py87
3.6.2　app.yaml88
3.6.3　appengine_config.py文件与lib文件夹89
3.6.4　requirements.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
4.1　Web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
4.6　Ajax—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
4.8　AWS Elastic Beanstalk105
4.8.1　为Elastic Beanstalk创建一个访问账户106
4.8.2　Elastic Beanstalk108
4.8.3　EB 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
4.11.2　SSH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　寻找极端案例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
5.11.2　WSGI配置133
5.11.3　重新加载网站134
5.12　PythonAnywhere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
6.1　Web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
6.6　Google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Goo

智能系统与技术丛书机器学习即服务:将PYTHON机器学习创意快速转变为云端WEB应用程序作者简介

曼纽尔·阿米纳特吉（Manuel Amunategui）
曼纽尔·阿米纳特吉（Manuel Amunategui）是SpringML（谷歌云和Salesforce的优选合作伙伴）的数据科学副总裁，拥有预测分析和国际管理硕士学位。在过去20年中，他在科技行业内实施了数百种端到端客户解决方案。在机器学习、医疗健康建模等方面有着丰富的咨询经验。他在华尔街金融行业工作了6年，在微软工作了4年，这些经历使他意识到应用数据科学教育和培训材料的缺乏。为了帮助缓解这一问题，他一直在通过文字博客、视频博客和教育材料传播应用数据科学知识。

迈赫迪·洛佩伊（Mehdi Roopaei）曼纽尔·阿米纳特吉（Manuel Amunategui）
曼纽尔·阿米纳特吉（Manuel Amunategui）是SpringML（谷歌云和Salesforce的优选合作伙伴）的数据科学副总裁，拥有预测分析和国际管理硕士学位。在过去20年中，他在科技行业内实施了数百种端到端客户解决方案。在机器学习、医疗健康建模等方面有着丰富的咨询经验。他在华尔街金融行业工作了6年，在微软工作了4年，这些经历使他意识到应用数据科学教育和培训材料的缺乏。为了帮助缓解这一问题，他一直在通过文字博客、视频博客和教育材料传播应用数据科学知识。

迈赫迪·洛佩伊（Mehdi Roopaei）
迈赫迪·洛佩伊（Mehdi Roopaei）是IEEE、AIAA和ISA的高级成员。2011年获Shiraz大学计算机工程博士学位，研究方向为动态系统的智能控制。2012年至2018年夏季，他在得克萨斯大学圣安东尼奥分校从事博士后研究工作；2018年秋季，他在威斯康星大学普拉特维尔分校担任助理教授。他的研究兴趣包括人工智能驱动的控制系统、数据驱动决策、机器学习和物联网（IoT），以及沉浸式分析。他是IEEE Access的副主编，也是IoT Elsevier杂志的编委会成员。他还是IoT Elsevier特刊《IoT Analytics for Data Streams》的兼职编辑，出版了《Applied Cloud Deep Semantic Recognition: Advanced Anomaly Detection》（CRC Press, 2018）一书。他于2018年1月至7月在圣安东尼奥担任IEEE联合通信和信号处理社区分会主席。他发表了60多篇备受同行好评的技术论文，在多个会议上担任项目委员会成员，并担任多个期刊的技术审稿人。译者简介：刘世民（Sammy Liu）现任易建科技云服务事业群总经理兼技术总监，易建科技技术委员会首席专家，具有十几年IT从业经验，曾就职于IBM和EMC，担任过云计算创业公司CTO。他也是云计算技术爱好者、实践者及推广者，乐于总结和分享，维护有“世民谈云计算”技术博客和微信公众号。个人微信号Sammy605475。

山金孝（Warrior）现就职于招商银行，曾就职于IBM，在云计算、大数据、容器及其编排技术、机器学习和人工智能领域有丰富的研究和实践经验。国内较早接触OpenStack的一线技术专家，长期致力于OpenStack私有云的研究、实践和布道，OpenStack社区金融工作组成员，著有畅销书《OpenStack高可用集群（上、下册）》《企业私有云建设指南》。曾参与移动、电信、联通、招行、国家电网和长安汽车等多家大中型国有企业的高可用业务系统和私有云计算平台的设计与实施，在企业私有云建设、系统容灾和高可用集群建设上具有多年的项目实施经验。此外，他还是IBM认证的高级技术专家、DB2高级DBA，Oracle认证的OCP以及RedHat认证的系统工程师，在国内外核心期刊发表CVPR论文多篇。

史天 AWS解决方案架构师。曾在世纪互联、惠普等知名公司任职，拥有丰富的云计算、大数据经验，目前致力于数据科学、机器学习、无服务器等领域的研究和实践。

肖力新钛云服技术副总裁，云技术社区创始人，《深度实践KVM》作者，《运维前线》系列图书策划人。曾就职于盛大、金山，有19年运维经验。维护有订阅号“云技术”。个人微信号xiaolikvm。