人工智能開發(fā)實踐：云端機器學習導論（英文版）

第一部分 實用人工智能基礎
第1章 實用人工智能簡介
Python功能介紹
程序語句
字符串和字符串格式化
數字與算術運算
數據結構
函數
在Python中使用控制結構
for循環(huán)
while循環(huán)
if/else語句
生成器表達式
列表推導式
中級主題
進一步思考
第2章 人工智能與機器學習的工具鏈
Python數據科學生態(tài)系統(tǒng)：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn
R語言、RStudio、Shiny和ggplot
電子表格：Excel和Google表格
使用Amazon網絡服務開發(fā)云端AI
AWS上的Devops
持續(xù)交付
為AWS創(chuàng)建軟件開發(fā)環(huán)境
集成Jupyter Notebook
集成命令行工具
集成AWS CodePipeline
數據科學中的基本Docker容器設置_
其他構建服務器：Jenkins、CircleCI、Codeship和Travis
小結
第3章 斯巴達式AI生命周期
實用生產反饋回路
AWS SageMaker
AWS Glue反饋回路
AWS批處理
基于Docker容器的反饋回路
小結
第二部分 云端人工智能
第4章 使用Google云平臺開發(fā)云端AI
Google云平臺概述
Colaboratory合作實驗工具
Datalab數據處理工具
使用Docker和Google容器注冊表擴展Datalab
使用Datalab啟動強大的機器
BigQuery云數據倉庫
Google云端AI服務
云端TPU和TensorFlow
小結
第5章 使用Amazon Web服務開發(fā)云端AI
在AWS上構建增強現實和虛擬現實解決方案
計算機視覺：帶有EFS和Flask的ARNR管道
帶EFS、Flask和Pandas的數據工程管道
小結
第三部分 創(chuàng)建實際Al應用程序
第6章 預測社交媒體在NBA中的影響力
提出問題
收集具有挑戰(zhàn)性的數據源
收集運動員的Wikipedia頁面訪問量
收集運動員的Twitter參與度
探索NBA運動員數據
NBA球員的無監(jiān)督機器學習
使用R語言對NBA球員執(zhí)行分面聚類繪圖
匯總：球隊、球員、影響力和廣告代言
更多的實際進階與學習
小結
第7章 使用AWS創(chuàng)建智能的
Slack機器人
創(chuàng)建機器人
將庫轉換為命令行工具
使用AWS工作流服務將機器人提升到新水平
獲取IAM證書設置
建立工作流
小結
第8章 從GitHub組織中尋找項目管理的思考
軟件項目管理問題綜述
開始創(chuàng)建數據科學項目框架
收集和轉換數據
與GitHub組織交·流
創(chuàng)建特定領域的統(tǒng)計信息
將數據科學項目連接到CLI客戶端
使用Jupyter Notebook探索GitHub組織
查看CPython項目中的文件元數據
查看CPython項目中的已刪除文件
將項目部署到Python包索引庫
小結
第9章 動態(tài)優(yōu)化基于AWS的彈性計算云（EC2）實例
在AWS上運行作業(yè)
第10章 房地產數據研究
第11章 用戶生成內容的生產環(huán)境AI
附錄A AI加速器
附錄B聚類大小的選擇
索引