務實地解決AI問題需要更多地關注結果而不僅是技術。歸根結底，花費數月時間為一些永遠無法投入生產的任務選擇*佳的機器學習算法只是徒勞無功和浪費金錢。將更多的機器學習技術投入到生產過程的一種方式就是停止辛勤工作，使用云提供商提供的現成解決方案是避免這種辛勤工作的強大技術。從英雄驅動式開發(fā)轉向鼓勵業(yè)務連續(xù)性和交付解決方案的組織行為對各方都有益處。
贊譽
譯者序
前言
致謝
作者簡介
第一部分 實用人工智能基礎
第1章 實用人工智能簡介2
1.1 Python功能介紹3
1.1.1 程序語句4
1.1.2 字符串和字符串格式化6
1.1.3 數字與算術運算8
1.1.4 數據結構10
1.1.5 函數12
1.2 在Python中使用控制結構19
1.2.1 for循環(huán)20
1.2.2 while循環(huán)21
1.2.3 if/else語句21
1.2.4 生成器表達式22
1.2.5 列表推導式23
1.2.6 中級主題23
1.3 進一步思考26
第2章 人工智能與機器學習的工具鏈28
2.1 Python數據科學生態(tài)系統(tǒng)：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29
2.2 R語言、RStudio、Shiny和ggplot30
2.3 電子表格：Excel和Google表格30
2.4 使用Amazon網絡服務開發(fā)云端AI 31
2.5 AWS上的DevOps31
2.5.1 持續(xù)交付31
2.5.2 為AWS創(chuàng)建軟件開發(fā)環(huán)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 數據科學中的基本Docker容器設置49
2.7 其他構建服務器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結50
第3章 斯巴達式AI生命周期51
3.1 實用生產反饋回路52
3.2 AWS SageMaker55
3.3 AWS Glue反饋回路56
3.4 AWS批處理60
3.5 基于Docker容器的反饋回路62
3.6 小結64
第二部分 云端人工智能
第4章 使用Google云平臺開發(fā)云端AI66
4.1 Google云平臺概述67
4.2 Colaboratory合作實驗工具68
4.3 Datalab數據處理工具70
4.3.1 使用Docker和Google容器注冊表擴展Datalab70
4.3.2 使用Datalab啟動強大的機器71
4.4 BigQuery云數據倉庫73
4.5 Google云端AI服務76
4.6 云端TPU和TensorFlow79
4.7 小結82
第5章 使用Amazon Web服務開發(fā)云端AI 83
5.1 在AWS上構建增強現實和虛擬現實解決方案85
5.1.1 計算機視覺：帶有EFS和Flask的AR/VR管道86
5.1.2 帶EFS、Flask和Pandas的數據工程管道88
5.2 小結102
第三部分 創(chuàng)建實際AI應用程序
第6章 預測社交媒體在NBA中的影響力104
6.1 提出問題104
6.2 收集具有挑戰(zhàn)性的數據源123
6.2.1 收集運動員的Wikipedia頁面訪問量123
6.2.2 收集運動員的Twitter參與度129
6.2.3 探索NBA運動員數據132
6.3 NBA球員的無監(jiān)督機器學習136
6.3.1 使用R語言對NBA球員執(zhí)行分面聚類繪圖136
6.3.2 匯總：球隊、球員、影響力和廣告代言138
6.4 更多的實際進階與學習140
6.5 小結141
第7章 使用AWS創(chuàng)建智能的Slack機器人142
7.1 創(chuàng)建機器人142
7.2 將庫轉換為命令行工具143
7.3 使用AWS工作流服務將機器人提升到新水平145
7.4 獲取IAM證書設置146
7.5 建立工作流155
7.6 小結157
第8章 從GitHub組織中尋找項目管理的思考158
8.1 軟件項目管理問題綜述158
8.2 開始創(chuàng)建數據科學項目框架160
8.3 收集和轉換數據162
8.4 與GitHub組織交流164
8.5 創(chuàng)建特定領域的統(tǒng)計信息165
8.6 將數據科學項目連接到CLI客戶端167
8.7 使用Jupyter Notebook探索GitHub 組織169
8.8 查看CPython項目中的文件元數據171
8.9 查看CPython項目中的已刪除文件174
8.10 將項目部署到Python包索引庫177
8.11 小結179
第9章 動態(tài)優(yōu)化基于AWS的彈性計算云（EC2）實例181
9.1 在AWS上運行作業(yè)181
9.1.1 EC2 Spot實例181
9.1.2 Spot實例理論和定價歷史182
9.1.3 編寫Spot實例啟動程序191
9.1.4 編寫更復雜的Spot實例啟動程序196
9.2 小結197
第10章 房地產數據研究199
10.1 美國房地產價值探索199
10.2 Python中的交互式數據可視化201
10.3 規(guī)模等級和價格聚類203
10.4 小結209
第11章 用戶生成內容的生產環(huán)境AI211
11.1 Netflix獎未在生產中實施212
11.2 推薦系統(tǒng)的基本概念213
11.3 在Python中使用Surprise 框架213
11.4 推薦系統(tǒng)的云解決方案216
11.5 推薦系統(tǒng)的實際生產問題216
11.6 云端自然語言處理和情緒分析221
11.6.1 Azure上的NLP221
11.6.2 GCP上的NLP224
11.6.3 AWS上的生產型無服務器NLP AI管道227
11.7 小結233
附錄A AI加速器234
附錄B 聚類大小的選擇236
書單推薦
