AI PODEJŚCIE PRAGMATYCZNE WPROWADZENIE DO UCZENIA MASZYNOWEGO OPARTEGO NA CHMURZE

ISBN: 978-83-7541-363-2

277 stron
format: B5
oprawa: miękka
Rok wydania: 2019

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 ję-zyku 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.

SPIS TREŚCI

Wstęp

Podziękowania

O˙autorze

Źródła ilustracji Część I: Wprowadzenie do˙pragmatycznej˙AI1. Pragmatyczne podejście do AIFunkcjonalne wprowadzenie do Pythona

Instrukcje proceduralne Drukowanie Tworzenie i˙używanie zmiennych Wiele instrukcji proceduralnych Obliczenia arytmetyczne Łączenie fraz (tekstów) Złożone instrukcje Ciągi i˙formatowanie ciągów Liczby i˙operacje arytmetyczne Struktury danych Słowniki Listy Funkcje Pisanie funkcji Prosta funkcjaDokumentowanie funkcjiArgumenty funkcji: pozycyjne lub nazwaneUżywanie struktur sterujących w˙Pythonie Pętla for Pętle while if/elif/else Wyrażenie generatora Wyrażenia listowe Zagadnienia pośrednie Tworzenie biblioteki w˙Pythonie Importowanie biblioteki Instalowanie innych bibliotek przy użyciu pip install KlasyFinalne spostrzeżenia 2. Narzędzia AI i˙ML Ekosystem analiz danych w˙Pythonie: IPython, Pandas, NumPy, Jupyter Notebook,Sklearn R, RStudio, Shiny i˙ggplot Arkusze kalkulacyjne: Excel oraz Google Sheets Projektowanie rozwiązania chmurowego AI przy użyciu Amazon Web Services DevOps w˙AWS Ciągłe dostarczanie Tworzenie środowiska projektowania oprogramowania dla AWS Integracja z˙Jupyter Notebook Integrowanie narzędzi wiersza polecenia Integrowanie narzędzi AWS CodePipeline Konfigurowanie Docker na potrzeby analiz danych Inne serwery kompilacji: Jenkins, CircleCI oraz Travis Podsumowanie3. Spartański cykl życia AI Pragmatyczne sprzężenie zwrotne AWS SageMaker Sprzężenie zwrotne AWS Glue AWS Batch Sprzężenia zwrotne oparte na Docker Podsumowanie Część II: AI w˙chmurze4. Chmurowe projektowanie AI w˙Google Cloud Platform Przegląd GCP Colaboratory Datalab Rozszerzanie Datalab przy użyciu Docker i˙Google Container Registry Uruchamianie wydajnych maszyn przy użyciu Datalab BigQuery Przenoszenie danych do BigQuery z˙wiersza polecenia Usługi AI w˙chmurze Google Klasyfikowanie (wielu) ras mojego psa przy użyciu Cloud Vision˙APICloud TPU i˙TensorFlow Uruchamianie MNIST w˙Cloud TPU Podsumowanie 5. Projektowanie chmurowej AI przy użyciu Amazon Web Services Budowanie rozwiązań rzeczywistości rozszerzonej (AR) i˙wirtualnej (VR) w˙AWS Rozpoznawanie obrazów: potoki AR/VR z˙EFS i˙Flask Potok inżynierii danych z˙wykorzystaniem EFS, Flask i˙Pandas Podsumowanie Część III: Tworzenie praktycznych aplikacji˙AI 6. Przewidywanie wpływów mediów społecznościowych w˙NBA Formułowanie problemu Gromadzenie danych Gromadzenie danych z˙trudnych źródeł Gromadzenie informacji o˙wyświetleniach stron Wikipedii dla sportowców Gromadzenie informacji o˙zaangażowaniu sportowców na Twitterze Przeglądanie danych sportowców NBA Nienadzorowane uczenie maszynowe dotyczące zawodników NBA Tworzenie wykresu kafelkowego w˙R Zebranie wszystkiego razem: drużyny, zawodnicy, siła i˙dodatki Kolejne pragmatyczne kroki Podsumowanie 7. Tworzenie inteligentnego slackbota w˙AWS Tworzenie bota Konwertowanie biblioteki w˙narzędzie wiersza polecenia Przenoszenie bota na następny poziom przy użyciu funkcji krokowych AWS Konfigurowanie poświadczeń IAM Korzystanie z˙chalice Budowanie funkcji krokowej Podsumowanie 8. Wyszukiwanie pomysłów na zarządzanie projektami w˙organizacjiGitHub Przegląd problemów związanych z˙zarządzaniem projektami oprogramowania Pytania do rozważenia Tworzenie wstępnego szkieletu projektu Data Science Zbieranie i˙transformowanie danych Komunikowanie się z˙całą organizacją GitHub Tworzenie statystyk specyficznych dla dziedziny Wiązanie projektu Data Science ze˙środowiskiem wiersza poleceniaWykorzystanie notatnika Jupyter do eksplorowania organizacji Projekt Pallets Przeglądanie metadanych pliku w˙projekcie CPython Wyszukiwanie usuniętych plików w˙projekcie CPython Wdrażanie projektu w˙Python Package Index Podsumowanie 9. Dynamiczna optymalizacja instancji EC2 w˙AWS Uruchamianie zadań w˙AWS Instancje Spot Podsumowanie 10. NieruchomościEksplorowanie rynku nieruchomości w˙Stanach Zjednoczonych Interaktywna wizualizacja danych w˙Pythonie Grupowanie według rozmiarów i˙cen Podsumowanie11. Produkcyjna AI dla treści generowanych przez użytkownikówNetflix Prize nie została zaimplementowana w˙produkcji Kluczowe koncepcje systemów rekomendacji Korzystanie z˙platformy Surprise w˙Pythonie Rozwiązania chmurowe dla systemów rekomendacji Problemy świata rzeczywistego w˙mechanizmach rekomendacji Praktyczne problemy systemów rekomendacji: integracja z˙produkcyjnymiAPI Chmurowe NLP i˙analiza opinii NLP w˙Azure NLP w˙GCP Eksplorowanie API jednostek Produkcyjny bezserwerowy potok AI dla NLP w˙AWS Podsumowanie 12. Akceleratory AI 13. Wybór liczby grup Indeks