場景化機器學習

第 一部分 場景化機器學習
第 1章 機器學習如何應用于業(yè)務　2
1．1 為什么我們的業(yè)務系統(tǒng)如此糟糕　3
1．2 為什么如今自動化很重要　5
1．2．1 什么是生產率　6
1．2．2 機器學習如何提高生產率　6
1．3 機器如何做出決策　7
1．3．1 人：是否基于規(guī)則　7
1．3．2 你能相信一個基于模式的答案嗎　8
1．3．3 機器學習如何能提升你的業(yè)務系統(tǒng)　8
1．4 機器能幫Karen做決策嗎　9
1．4．1 目標變量　10
1．4．2 特征　10
1．5 機器如何學習　10
1．6 在你的公司落實使用機器學習進行決策　13
1．7 工具　14
1．7．1 AWS和SageMaker是什么，它們如何幫助你　14
1．7．2 Jupyter筆記本是什么　15
1．8 配置SageMaker為解決第 2~7章中的場景做準備　15
1．9 是時候行動了　16
1．10 小結　16
第二部分 公司機器學習的六個場景
第 2章 你是否應該將采購訂單發(fā)送給技術審批人　18
2．1 決策　18
2．2 數(shù)據(jù)　19
2．3 開始你的訓練過程　20
2．4 運行Jupyter筆記本并進行預測　21
2．4．1 第 一部分：加載并檢查數(shù)據(jù)　24
2．4．2 第二部分：將數(shù)據(jù)轉換為正確的格式　27
2．4．3 第三部分：創(chuàng)建訓練集、驗證集和測試集　30
2．4．4 第四部分：訓練模型　32
2．4．5 第五部分：部署模型　33
2．4．6 第六部分：測試模型　34
2．5 刪除端點并停止你的筆記本實例　35
2．5．1 刪除端點　36
2．5．2 停止筆記本實例　37
2．6 小結　38
第3章 你是否應該致電客戶以防客戶流失　39
3．1 你在決策什么　40
3．2 處理流程　40
3．3 準備數(shù)據(jù)集　41
3．3．1 轉換操作1：標準化數(shù)據(jù)　42
3．3．2 轉換操作2：計算周與周之間的變化　43
3．4 XGBoost基礎　43
3．4．1 XGBoost的工作原理　43
3．4．2 機器學習模型如何確定函數(shù)的AUC的好壞　45
3．5 準備構建模型　47
3．5．1 將數(shù)據(jù)集上傳到S3　47
3．5．2 在SageMaker上設置筆記本　48
3．6 構建模型　49
3．6．1 第 一部分：加載并檢查數(shù)據(jù)　50
3．6．2 第二部分：將數(shù)據(jù)轉換為正確的格式　52
3．6．3 第三部分：創(chuàng)建訓練集、驗證集和測試集　53
3．6．4 第四部分：訓練模型　55
3．6．5 第五部分：部署模型　57
3．6．6 第六部分：測試模型　57
3．7 刪除端點并停止筆記本實例　60
3．7．1 刪除端點　60
3．7．2 停止筆記本實例　60
3．8 檢查以確保端點已被刪除　60
3．9 小結　61
第4章 你是否應該將事件上報給支持團隊　62
4．1 你在決策什么　62
4．2 處理流程　63
4．3 準備數(shù)據(jù)集　63
4．4 NLP　65
4．4．1 生成詞向量　65
4．4．2 決定每組包含多少單詞　67
4．5 BlazingText及其工作原理　68
4．6 準備構建模型　69
4．6．1 將數(shù)據(jù)集上傳到S3　69
4．6．2 在SageMaker上設置筆記本　70
4．7 構建模型　70
4．7．1 第 一部分：加載并檢查數(shù)據(jù)　71
4．7．2 第二部分：將數(shù)據(jù)轉換為正確的格式　74
4．7．3 第三部分：創(chuàng)建訓練集和驗證集　76
4．7．4 第四部分：訓練模型　77
4．7．5 第五部分：部署模型　79
4．7．6 第六部分：測試模型　79
4．8 刪除端點并停止你的筆記本實例　80
4．8．1 刪除端點　80
4．8．2 停止筆記本實例　80
4．9 檢查以確保端點已被刪除　81
4．10 小結　81
第5章 你是否應該質疑供應商發(fā)送給你的發(fā)票　82
5．1 你在決策什么　82
5．2 處理流程　84
5．3 準備數(shù)據(jù)集　85
5．4 什么是異?！?6
5．5 監(jiān)督機器學習與無監(jiān)督機器學習　87
5．6 隨機裁剪森林及其工作原理　88
5．6．1 樣本1　88
5．6．2 樣本2　90
5．7 準備構建模型　94
5．7．1 將數(shù)據(jù)集上傳到S3　94
5．7．2 在SageMaker上設置筆記本　94
5．8 構建模型　95
5．8．1 第 一部分：加載并檢查數(shù)據(jù)　96
5．8．2 第二部分：將數(shù)據(jù)轉換為正確的格式　99
5．8．3 第三部分：創(chuàng)建訓練集和驗證集　100
5．8．4 第四部分：訓練模型　100
5．8．5 第五部分：部署模型　101
5．8．6 第六部分：測試模型　102
5．9 刪除端點并停止筆記本實例　104
5．9．1 刪除端點　104
5．9．2 停止筆記本實例　104
5．10 檢查以確保端點已被刪除　105
5．11 小結　105
第6章 預測你公司的每月能耗　106
6．1 你在決策什么　106
6．1．1 時間序列數(shù)據(jù)介紹　107
6．1．2 Kiara的時間序列數(shù)據(jù)：每日能耗　109
6．2 加載處理時間序列數(shù)據(jù)的Jupyter筆記本　109
6．3 準備數(shù)據(jù)集：繪制時間序列數(shù)據(jù)　111
6．3．1 通過循環(huán)展示數(shù)據(jù)列　113
6．3．2 創(chuàng)建多個圖表　114
6．4 神經網(wǎng)絡是什么　116
6．5 準備構建模型　116
6．5．1 將數(shù)據(jù)集上傳到S3　117
6．5．2 在SageMaker上設置筆記本　117
6．6 構建模型　117
6．6．1 第 一部分：加載并檢查數(shù)據(jù)　118
6．6．2 第二部分：將數(shù)據(jù)轉換為正確的格式　119
6．6．3 第三部分：創(chuàng)建訓練集和測試集　122
6．6．4 第四部分：訓練模型　125
6．6．5 第五部分：部署模型　128
6．6．6 第六部分：進行預測并繪制結果　128
6．7 刪除端點并停止你的筆記本實例　132
6．7．1 刪除端點　133
6．7．2 停止筆記本實例　133
6．8 檢查以確保端點已被刪除　133
6．9 小結　134
第7 章 優(yōu)化你公司的每月能耗預測　135
7．1 DeepAR對周期性事件的處理能力　135
7．2 DeepAR的最大優(yōu)勢：整合相關的時間序列　137
7．3 整合額外的數(shù)據(jù)集到Kiara的能耗模型　137
7．4 準備構建模型　138
7．4．1 下載我們準備的筆記本　138
7．4．2 在SageMaker上設置文件夾　139
7．4．3 將筆記本上傳到SageMaker　139
7．4．4 從S3存儲桶下載數(shù)據(jù)集　139
7．4．5 在S3上創(chuàng)建文件夾以保存你的數(shù)據(jù)　139
7．4．6 將數(shù)據(jù)集上傳到你的AWS存儲桶　139
7．5 構建模型　140
7．5．1 第 一部分：設置筆記本　140
7．5．2 第二部分：導入數(shù)據(jù)集　141
7．5．3 第三部分：將數(shù)據(jù)轉換為正確的格式　143
7．5．4 第四部分：創(chuàng)建訓練集和測試集　145
7．5．5 第五部分：配置模型并設置服務器以構建模型　147
7．5．6 第六部分：進行預測并繪制結果　151
7．6 刪除端點并停止你的筆記本實例　154
7．6．1 刪除端點　154
7．6．2 停止筆記本實例　154
7．7 檢查以確保端點已被刪除　154
7．8 小結　155
第三部分 將機器學習應用到生產環(huán)境中
第8章 通過Web提供預測服務　158
8．1 為什么通過Web提供決策和預測服務這么難　158
8．2 本章的步驟概述　159
8．3 SageMaker端點　159
8．4 設置SageMaker端點　160
8．4．1 上傳筆記本　161
8．4．2 上傳數(shù)據(jù)　163
8．4．3 運行筆記本并創(chuàng)建端點　165
8．5 設置無服務器API端點　166
8．5．1 在AWS賬戶上設置AWS證書　167
8．5．2 在本地計算機上設置AWS證書　168
8．5．3 配置證書　169
8．6 創(chuàng)建Web端點　170
8．6．1 安裝Chalice　171
8．6．2 創(chuàng)建Hello World API　172
8．6．3 添加為SageMaker端點提供服務的代碼　173
8．6．4 配置權限　175
8．6．5 更新requirements．txt文件　176
8．6．6 部署Chalice　176
8．7 提供決策服務　176
8．8 小結　177
第9章 案例研究　179
9．1 案例研究1：WorkPac　180
9．1．1 項目設計　181
9．1．2 第 一階段：準備并測試模型　181
9．1．3 第二階段：實施POC　183
9．1．4 第三階段：將流程嵌入公司的運營中　183
9．1．5 接下來的工作　183
9．1．6 吸取的教訓　183
9．2 案例研究2：Faethm　184
9．2．1 AI核心　184
9．2．2 使用機器學習優(yōu)化Faethm公司的流程　184
9．2．3 第 一階段：獲取數(shù)據(jù)　185
9．2．4 第二階段：識別特征　186
9．2．5 第三階段：驗證結果　186
9．2．6 第四階段：應用到生產環(huán)境中　186
9．3 結論　187
9．3．1 觀點1：建立信任　187
9．3．2 觀點2：正確獲取數(shù)據(jù)　187
9．3．3 觀點3：設計操作模式以充分利用機器學習能力　187
9．3．4 觀點4：在各個方面都使用了機器學習后，你的公司看起來怎么樣　187
9．4 小結　188
附錄A 注冊AWS　189
附錄B 設置并使用S3以存儲文件　195
附錄C 設置并使用AWS SageMaker來構建機器學習系統(tǒng)　204
附錄D 停止全部服務　208
附錄E 安裝Python　211