Python机器学习建模与部署：从Keras到Kubernetes

第 1章 大数据和人工智能　1
1．1　数据是新石油，人工智能是新电力　1
1．1．1　机器的崛起　3
1．1．2　处理能力的指数级增长　4
1．1．3　一种新的分析方法　4
1．1．4　是什么让人工智能如此特别　5
1．2　人工智能的应用　6
1．2．1　基于数据构建分析类型　9
1．2．2　分析类型：基于应用程序　10
1．2．3　分析类型：基于决策逻辑　14
1．2．4　构建分析驱动的系统　15
1．3　小结　17
第　2章 机器学习　18
2．1　在数据中寻找模式　18
2．2　炫酷的机器学习社区　20
2．3　机器学习技术的类型　21
2．3．1　无监督机器学习　21
2．3．2　监督机器学习　22
2．3．3　强化学习　24
2．4　解决简单的问题　24
2．4．1　无监督学习　26
2．4．2　监督学习：线性回归　29
2．4．3　梯度下降优化　31
2．4．4　梯度下降在线性回归中的应用　33
2．4．5　监督学习：分类　34
2．5　分析更大的数据集　39
2．6　分类方法的比较　43
2．7　偏置与方差：欠拟合与过拟合　46
2．8　强化学习　51
2．8．1　基于模型的强化学习　52
2．8．2　无模型强化学习　53
2．9　小结　58
第3章　处理非结构化数据　59
3．1　结构化数据与非结构化数据　59
3．2　理解图像　61
3．3　处理视频　74
3．4　处理文本数据　75
3．4．1　自然语言处理　76
3．4．2　词嵌入　82
3．5　听声音　87
3．6　小结　92
第4章　使用Keras 进行深度学习　93
4．1　处理非结构化数据　93
4．1．1　神经网络　93
4．1．2　反向传播和梯度下降　98
4．1．3　批量梯度下降与随机梯度下降　99
4．1．4　神经网络架构　100
4．2　TensorFlow和Keras　100
4．3　偏置与方差：欠拟合与过拟合　105
4．4　小结　107
第5章　高级深度学习　108
5．1　深度学习模型的崛起　108
5．2　新型网络层　109
5．2．1　卷积层　109
5．2．2　池化层　111
5．2．3　dropout层　111
5．2．4　批归一化层　111
5．3　构建时尚商品图像分类的深度网络　112
5．4　卷积神经网络架构和超参数　118
5．5　使用预训练的VGG 模型进行预测　120
5．6　数据扩充和迁移学习　123
5．7　真实的分类问题：百事可乐与可口可乐　124
5．8　递归神经网络　133
5．9　小结　138
第6章　前沿深度学习项目　140
6．1　神经风格迁移　140
6．2　使用人工智能生成图像　150
6．3　利用自编码器进行信用卡欺诈检测　156
6．4　小结　165
第7章　现代软件世界中的人工智能　166
7．1　快速审视现代软件需求　166
7．2　人工智能如何适应现代软件开发　168
7．3　简单的Web应用程序　169
7．4　云计算的兴起　170
7．5　容器和CaaS　174
7．6　Kubernetes：基础架构问题的CaaS解决方案　177
7．7　小结　183
第8章　将人工智能模型部署为微服务　184
8．1　用Docker和Kubernetes构建简单的微服务　184
8．2　将人工智能添加到应用程序中　188
8．3　将应用程序打包为容器　192
8．4　将Docker镜像推送到存储库　197
8．5　将应用程序作为微服务部署在Kubernetes中　197
8．6　小结　199
第9章　机器学习开发生命周期　200
9．1　机器学习模型生命周期　200
9．1．1　步骤1：定义问题，建立基本事实　201
9．1．2　步骤2：收集、清洗和准备数据　202
9．1．3　步骤3：构建和训练模型　204
9．1．4　步骤4：验证模型，调整超参数　206
9．1．5　步骤5：部署到生产中　207
9．1．6　反馈和模型更新　208
9．2　边缘设备上的部署　208
9．3　小结　217
第　10章 机器学习平台　218
10．1　机器学习平台关注点　218
10．1．1　数据获取　219
10．1．2　数据清洗　222
10．1．3　分析用户界面　222
10．1．4　模型构建　226
10．1．5　大规模训练　227
10．1．6　超参数调整　227
10．1．7　自动化部署　229
10．1．8　日志记录和监控　234
10．2　将机器学习平台整合在一起　235
10．3　小结　235
10．4　最后的话　236
附录A　237