Python機器學習建模與部署：從Keras到Kubernetes

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