Описание
Прагматичный ИИ. Машинное обучение и облачные технологии, Гифт Н. купить книга Україна
Обкладинка – м”яка
Рік видання – 2019
Кількість сторінок – 304
ISBN – 978-5-4461-1061-2
Бумага – біла, офсет
Про книгу Прагматичный ИИ. Машинное обучение и облачные технологии, Гифт Н.
Искусственный интеллект – это мощный инструмент в руках современного архитектора, разработчика и аналитика.Облачные технологии – ваш путь к укрощению искусственного интеллекта. Тщательно изучив эту незаменимую книгу от Ноя Гифта, легендарного эксперта по языку Python, вы легко научитесь писать облачные приложения с использованием средств искусственного интеллекта и машинного обучения, решать реалистичные задачи из таких востребованных и актуальных областей, как спортивный маркетинг, управление проектами, ценообразование, сделки с недвижимостью. Все примеры разобраны на языке Python, #1 в сфере современных стремительных вычислений
Прагматичный ИИ. Машинное обучение и облачные технологии, Гифт Н. оглавление
6Предисловие
Кому стоит прочитать эту книгу
Структура издания
Примеры кода
Условные обозначения
Благодарности
Об авторе
Часть I. Введение в прагматичный ИИГлава 1. Что такое ИИ
Функциональное введение в Python
Процедурные операторы
Вывод результатов
Создание и использование переменных
Множественные процедурные операторы
Сложение чисел
Склеивание строк
Сложные операторы
Строки и форматирование строк
Сложение и вычитание чисел
Умножение десятичных чисел
Использование показательных функций
7Преобразование между различными числовыми типами данных
Округление
Структуры данных
Словари
Списки
Функции
Использование управляющих конструкций
Циклы for
Циклы while
Операторы if/else
Промежуточные вопросы
Резюме
Глава 2. ИИ и инструменты машинного обучения
Экосистема исследования данных языка Python: IPython, Pandas, NumPy,
блокнот Jupiter, Sklearn
Язык R, RStudio, Shiny и ggplot
Электронные таблицы: Excel и Google Sheets
Разработка облачных приложений ИИ с помощью веб-сервисов Amazon
Интеграция разработки и эксплуатации на AWS
Непрерывная поставка
Создание среды разработки ПО для AWS
Настройки проекта Python для AWS
Интеграция с блокнотом Jupiter
Интеграция утилит командной строки
Интеграция AWS CodePipeline
Основные настройки Docker для исследования данных
Другие сервисы сборки: Jenkins, CircleCI и Travis
Резюме
Глава 3. Спартанский жизненный цикл ИИ
Прагматическая петля обратной связи при промышленной эксплуатации
AWS SageMaker
Петля обратной связи AWS Glue
AWS Batch
Петли обратной связи на основе Docker
Резюме
8Часть II. ИИ в облакеГлава 4. Разработка ИИ в облачной среде с помощью облачной
платформы Google
Обзор GCP
Colaboratory
Datalab
Расширяем возможности Datalab с помощью Docker и реестра
контейнеров Google
Запуск полнофункциональных машин с помощью Datalab
BigQuery
Облачные сервисы ИИ компании Google
Тензорные процессоры Google и TensorFlow
Резюме
Глава 5. Разработка ИИ в облачной среде с помощью веб-сервисов Amazon
Создание решений дополненной и виртуальной реальностей
на основе AWS
Компьютерное зрение: создание конвейеров AR/VR
с помощью EFS и Flask
Создание конвейера инженерии данных с помощью EFS, Flask
и Pandas
Резюме
Часть III. Создание реальных приложений ИИ с нуляГлава 6. Прогноз популярности в соцсетях в НБА
Постановка задачи
Сбор данных
Получение данных из труднодоступных источников
Получение данных о просмотрах страниц «Википедии» спортсменов
Получение данных о вовлеченности в Twitter спортсменов
Изучаем данные об игроках НБА
Машинное обучение без учителя для данных об игроках НБА
Построение фасетного графика по игрокам НБА на языке R
Собираем все воедино: команды, игроков, социальный авторитет и рекламные отчисления
Дальнейшие прагматичные шаги и учебные материалы
Резюме
9Глава 7. Создание интеллектуального бота Slack в AWS
Создание бота
Преобразование библиотеки в утилиту командной строки
Выводим бот на новый уровень с помощью сервиса AWS Step Functions
Настройка учетных данных IAM
Завершение создания пошаговой функции
Резюме
Глава 8. Извлечение полезной информации об управлении проектами
из учетной записи GitHub-организации
Обзор проблем, возникающих при управлении программными проектами
Создание исходного каркаса проекта исследования данных
Сбор и преобразование данных
Обработка GitHub-организации в целом
Формирование предметно-ориентированной статистики
Подключение проекта по исследованию данных к интерфейсу
командной строки
Исследование GitHub-организаций с помощью блокнота Jupiter
Изучаем метаданные файлов проекта CPython
Изучаем файлы, удаленные из проекта CPython
Развертывание проекта в каталоге пакетов Python
Резюме
Глава 9. Динамическая оптимизация виртуальных узлов EC2 в AWS
Выполнение заданий на платформе AWS
Спотовые виртуальные узлы
Теория спотовых виртуальных узлов и история цен на них
Создание утилиты и блокнота для сравнения цен на спотовые
виртуальные узлы на основе машинного обучения
Написание модуля запуска спотового виртуального узла
Написание более сложного модуля запуска для спотового
виртуального узла
Резюме
Глава 10. Недвижимость
Исследование цен на недвижимость в США
Интерактивная визуализация данных в Python
Кластеризация по порядку размера и цене
Резюме
Глава 11. Промышленная эксплуатация ИИ для пользовательского контента
Получившее премию Netflix решение не было внедрено в промышленную эксплуатацию
Ключевые понятия рекомендательных систем
Использование фреймворка Surprise в языке Python
Облачные решения для создания рекомендательных систем
Проблемы, возникающие на практике при работе с рекомендациями
Облачный NLP и анализ тональности высказываний
NLP на платформе Azure
NLP на платформе GCP
Изучаем API сущностей
Бессерверный конвейер ИИ промышленного уровня для NLP
на платформе AWS
Резюме
ПриложенияПриложение A. Аппаратные ускорители для ИИ
Приложение Б. Выбор размера кластера
Отзывы
Отзывов пока нет.