Python機(jī)器學(xué)習(xí)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(jī)器的崛起　3
1．1．2　處理能力的指數(shù)級(jí)增長(zhǎng)　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(yīng)用　6
1．2．1　基于數(shù)據(jù)構(gòu)建分析類型　9
1．2．2　分析類型：基于應(yīng)用程序　10
1．2．3　分析類型：基于決策邏輯　14
1．2．4　構(gòu)建分析驅(qū)動(dòng)的系統(tǒng)　15
1．3　小結(jié)　17
第　2章 機(jī)器學(xué)習(xí)　18
2．1　在數(shù)據(jù)中尋找模式　18
2．2　炫酷的機(jī)器學(xué)習(xí)社區(qū)　20
2．3　機(jī)器學(xué)習(xí)技術(shù)的類型　21
2．3．1　無監(jiān)督機(jī)器學(xué)習(xí)　21
2．3．2　監(jiān)督機(jī)器學(xué)習(xí)　22
2．3．3　強(qiáng)化學(xué)習(xí)　24
2．4　解決簡(jiǎn)單的問題　24
2．4．1　無監(jiān)督學(xué)習(xí)　26
2．4．2　監(jiān)督學(xué)習(xí)：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(yīng)用　33
2．4．5　監(jiān)督學(xué)習(xí)：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(qiáng)化學(xué)習(xí)　51
2．8．1　基于模型的強(qiáng)化學(xué)習(xí)　52
2．8．2　無模型強(qiáng)化學(xué)習(xí)　53
2．9　小結(jié)　58
第3章　處理非結(jié)構(gòu)化數(shù)據(jù)　59
3．1　結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)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(jié)　92
第4章　使用Keras 進(jìn)行深度學(xué)習(xí)　93
4．1　處理非結(jié)構(gòu)化數(shù)據(jù)　93
4．1．1　神經(jīng)網(wǎng)絡(luò)　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(jī)梯度下降　99
4．1．4　神經(jīng)網(wǎng)絡(luò)架構(gòu)　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(jié)　107
第5章　高級(jí)深度學(xué)習(xí)　108
5．1　深度學(xué)習(xí)模型的崛起　108
5．2　新型網(wǎng)絡(luò)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(gòu)建時(shí)尚商品圖像分類的深度網(wǎng)絡(luò)　112
5．4　卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)和超參數(shù)　118
5．5　使用預(yù)訓(xùn)練的VGG 模型進(jìn)行預(yù)測(cè)　120
5．6　數(shù)據(jù)擴(kuò)充和遷移學(xué)習(xí)　123
5．7　真實(shí)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(luò)　133
5．9　小結(jié)　138
第6章　前沿深度學(xué)習(xí)項(xiàng)目　140
6．1　神經(jīng)風(fēng)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(jìn)行信用卡欺詐檢測(cè)　156
6．4　小結(jié)　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(yīng)現(xiàn)代軟件開發(fā)　168
7．3　簡(jiǎn)單的Web應(yīng)用程序　169
7．4　云計(jì)算的興起　170
7．5　容器和CaaS　174
7．6　Kubernetes：基礎(chǔ)架構(gòu)問題的CaaS解決方案　177
7．7　小結(jié)　183
第8章　將人工智能模型部署為微服務(wù)　184
8．1　用Docker和Kubernetes構(gòu)建簡(jiǎn)單的微服務(wù)　184
8．2　將人工智能添加到應(yīng)用程序中　188
8．3　將應(yīng)用程序打包為容器　192
8．4　將Docker鏡像推送到存儲(chǔ)庫　197
8．5　將應(yīng)用程序作為微服務(wù)部署在Kubernetes中　197
8．6　小結(jié)　199
第9章　機(jī)器學(xué)習(xí)開發(fā)生命周期　200
9．1　機(jī)器學(xué)習(xí)模型生命周期　200
9．1．1　步驟1：定義問題，建立基本事實(shí)　201
9．1．2　步驟2：收集、清洗和準(zhǔn)備數(shù)據(jù)　202
9．1．3　步驟3：構(gòu)建和訓(xùn)練模型　204
9．1．4　步驟4：驗(yàn)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(shè)備上的部署　208
9．3　小結(jié)　217
第　10章 機(jī)器學(xué)習(xí)平臺(tái)　218
10．1　機(jī)器學(xué)習(xí)平臺(tái)關(guān)注點(diǎn)　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(gòu)建　226
10．1．5　大規(guī)模訓(xùn)練　227
10．1．6　超參數(shù)調(diào)整　227
10．1．7　自動(dòng)化部署　229
10．1．8　日志記錄和監(jiān)控　234
10．2　將機(jī)器學(xué)習(xí)平臺(tái)整合在一起　235
10．3　小結(jié)　235
10．4　最后的話　236
附錄A　237