机器学习即服务：将Python机器学习创意快速转变为云端Web应用程序 word 网盘 高速 下载地址大全 免费

本书涵盖Kubernetes架构、部署、核心资源类型、系统扩缩容、存储卷、网络插件与网络本书由浅入深地介绍了一系列常见的Python数据科学问题。书中介绍的实践项目简单明了，可作为模板快速启动其他类似项目。通过本书，你将学习如何构建一个Web应用程序以进行数值或分类预测，如何理解文本分析，如何创建强大的交互界面，如何对数据访问进行安全控制，以及如何利用Web插件实现信用卡付款和捐赠。 每章都遵循三个步骤：以正确的方式建模，设计和开发本地Web应用程序，部署到流行且可靠的无服务器计算云平台（亚马逊、微软、谷歌和PythonAnywhere）上。本书各章之间是独立的，你可以根据需求跳转至特定主题。

译者序1 译者序2 译者序3 关于作者 关于技术审校者 前言 第1章　无服务器计算介绍1 1.1　一个简单的本地Flask应用程序1 1.2　在微软Azure上使用无服务器计算4 1.2.1　操作步骤5 1.2.2　结论和附加信息12 1.3　在谷歌云上使用无服务器计算12 1.3.1　操作步骤13 1.3.2　结论和附加信息18 1.4　在Amazon AWS上使用无服务器计算19 1.4.1　操作步骤19 1.4.2　结论和附加信息24 1.5　在PythonAnywhere上托管应用程序24 1.5.1　操作步骤25 1.5.2　结论和附加信息26 1.6　本章小结26 第2章　在Azure上进行共享单车回归模型智能预测27 2.1　共享单车租赁需求回归系数分析28 2.2　探索共享单车原始数据集28 2.2.1　下载UCI机器学习库数据集29 2.2.2　Jupyter Notebook配置使用29 2.2.3　数据集探索31 2.2.4　预测结果变量分析33 2.2.5　量化特征与租赁统计34 2.2.6　分类特征研究35 2.3　数据建模准备工作36 2.3.1　回归建模37 2.3.2　简单线性回归37 2.3.3　简单线性回归模型37 2.4　特征工程试验39 2.4.1　多项式建模39 2.4.2　创建分类数据虚拟特征40 2.4.3　非线性模型试验41 2.4.4　使用时间序列复杂特征42 2.5　简约模型44 2.5.1　简单模型中的回归系数提取44 2.5.2　R-Squared44 2.5.3　基于回归系数的新数据预测46 2.6　共享单车租赁需求交互式Web应用设计48 2.6.1　代码可读性与扩展性摘要48 2.6.2　构建本地Flask应用49 2.6.3　下载运行GitHub共享单车代码50 2.6.4　Web应用程序调试最佳实践51 2.7　在微软Azure上运行Web应用程序54 2.7.1　使用Git托管项目代码54 2.7.2　微软Azure命令行接口工具使用56 2.7.3　资源清理59 2.7.4　故障排查60 2.7.5　步骤回顾62 2.8　Web应用程序脚本及技术分析62 2.8.1　main.py文件分析63 2.8.2　/static/文件夹分析64 2.8.3　/templates/index.html文件及脚本分析64 2.9　本章小结66 2.10　附加资源66 第3章　在GCP上基于逻辑回归实现实时智能67 3.1　规划Web应用68 3.2　数据处理68 3.2.1　处理分类型数据71 3.2.2　从分类型数据创建虚拟特征75 3.3　建模75 3.3.1　训练和测试数据集拆分76 3.3.2　逻辑回归77 3.3.3　预测幸存率78 3.4　准备上云78 3.4.1　函数startup()79 3.4.2　函数submit_new_profile()79 3.4.3　使用HTML表单实现交互79 3.4.4　创建动态图像80 3.4.5　下载Titanic代码81 3.5　部署到谷歌云上82 3.5.1　Google App Engine82 3.5.2　在Google App Engine上进行部署83 3.5.3　问题排查86 3.5.4　收尾工作87 3.6　代码回顾87 3.6.1　main.py87 3.6.2　app.yaml88 3.6.3　appengine_config.py文件与lib文件夹89 3.6.4　requirements.txt89 3.7　步骤回顾90 3.8　本章小结90 第4章　在AWS上使用Gradient Boosting Machine进行预训练91 4.1　Web应用程序规划92 4.2　探索葡萄酒品质数据集92 4.3　处理不平衡的类别95 4.4　使用Gradient Boosting Classifier97 4.4.1　评估模型98 4.4.2　持久化模型101 4.4.3　新数据预测101 4.5　设计Web应用程序以交互评估葡萄酒品质103 4.6　Ajax—服务器端动态Web渲染104 4.7　在虚拟环境中工作：一个方便实验、更加安全和纯净的沙箱104 4.8　AWS Elastic Beanstalk105 4.8.1　为Elastic Beanstalk创建一个访问账户106 4.8.2　Elastic Beanstalk108 4.8.3　EB Command Line Interface108 4.8.4　修复WSGIApplication-Group110 4.8.5　创建EB应用程序111 4.8.6　查看应用程序111 4.9　资源清理112 4.10　步骤回顾114 4.11　故障排查115 4.11.1　查看日志115 4.11.2　SSH登录到实例115 4.12　本章小结116 第5章　案例研究1：在Web和移动浏览器上预测股票市场117 5.1　配对交易策略118 5.2　下载和准备数据119 5.2.1　准备数据120 5.2.2　股票代码透视121 5.3　价格市场数据扩展121 5.4　绘制价差122 5.5　交易理念123 5.5.1　寻找极端案例123 5.5.2　提供交易建议124 5.6　计算交易股数125 5.7　设计一个移动友好的Web应用程序提供交易建议127 5.8　运行本地Flask应用程序128 5.9　表单验证130 5.10　在PythonAnywhere上运行应用程序130 5.11　修复WSGI文件133 5.11.1　源代码133 5.11.2　WSGI配置133 5.11.3　重新加载网站134 5.12　PythonAnywhere故障排查135 5.13　本章小结136 第6章　基于Azure和Google地图的犯罪行为预测137 6.1　Web应用程序规划138 6.2　探索旧金山犯罪热图数据集138 6.2.1　数据清洗139 6.2.2　数据重分布140 6.2.3　周数据探索142 6.3　数据特征工程142 6.3.1　创建年度月份汇总数据特征143 6.3.2　创建时段数据特征144 6.3.3　时段特征数据集探索145 6.4　地理数据可视化146 6.4.1　地理坐标位置绘制146 6.4.2　地理坐标近似值区块创建147 6.5　基于历史数据的犯罪预测149 6.6　Google地图152 6.7　热力图层153 6.8　犯罪数据在Google地图上的应用154 6.9　犯罪预测数据自定义提取155 6.10　设计Web应用程序156 6.10.1　添加Google API密钥157 6.10.2　本地运行Web应用程序157 6.10.3　Azure公有云Git准备157 6.10.4　Azure命令行接口工具160 6.10.5　故障排查164 6.10.6　资源清理166 6.11　本章小结166 第7章　在AWS上使用朴素贝叶斯和OpenWeather进行预测167 7.1　探索数据集167 7.2　朴素贝叶斯169 7.3　Sklearn中的GaussianNB170 7.4　实时天气预报OpenWeatherMap171 7.4.1　使用天气预测服务173 7.4.2　数据转换174 7.5　设计Web应用程序177 7.6　在AWS Elastic Beanstalk上运行应用程序179 7.6.1　修复WSGIApplication-Group180 7.6.2　查看应用程序181 7.6.3　记得终止实例182 7.7　本章小结184 7.7.1　访问OpenWeatherMap数据184 7.7.2　捕获异常184 7.7.3　处理用户输入的数据185 第8章　在GCP上基于TensorFlow实现交互式绘画和数字预测186 8.1　MNIST数据集186 8.2　TensorFlow189 8.3　使用TensorFlow和卷积网络建模189 8.3.1　构建建模层190 8.3.2　损益函数191 8.3.3　实例化会话191 8.3.4　训练191 8.3.5　准确度191 8.3.6　运行脚本192 8.4　准备上云193 8.4.1　运行一个保存的TensorFlow模型193 8.4.2　保存模型194 8.4.3　画布194 8.4.4　从画布到TensorFlow195 8.4.5　测试新的手写数字195 8.4.6　设计Web应用程序196 8.4.7　下载Web应用程序197 8.5　部署到谷歌云上198 8.5.1　谷歌云Flexible App Engine198 8.5.2　在Google App Engine上部署199 8.5.3　问题排查201 8.5.4　收尾工作202 8.6　本章小结203 8.6.1　HTML5 8.6.2　TensorFlow203 8.6.3　设计203 第9章 　案例研究2：动态股票图表显示205 9.1　使用Matplotlib创建股票图表205 9.2　探索配对交易图表207 9.3　设计Web应用程序210 9.4　具有移动友好性的表格211 9.5　上传Web应用程序到PythonAnywhere213 9.6　本章小结215 第10章　在GCP上使用奇异值分解实现推荐系统216 10.1　规划Web应用216 10.2　推荐系统简介217 10.3　探索MovieLens数据集217 10.3.1　MovieLens数据集概况218 10.3.2　探索ratings.csv和movies.csv219 10.3.3　理解评级和评级文化221 10.3.4　给出推荐224 10.4　协同过滤226 10.4.1　相似性和距离测量工具227 10.4.2　欧几里得距离227 10.4.3　余弦相似距离228 10.5　奇异值分解228 10.5.1　将电影评级集中到零周围229 10.5.2　观察SVD的行为229 10.6　准备上云232 10.6.1　下载并在本地运行“下一部电影看什么？”232 10.6.2　代码解释234 10.7　部署到谷歌云上236 10.7.1　在Google App Engine上部署236 10.7.2　问题排查240 10.7.3　收尾工作240 10.8　本章小结241 第11章　在Azure上使用NLP和可视化技术简化复杂概念242 11.1　Web应用规划242 11.2　数据探索243 11.3　文本清理244 11.4　基于文本的特征工程245 11.5　TFIDF文本数据清理247 11.6　NLP与正则表达式247 11.7　使用外部垃圾邮件关键字列表248 11.8　使用Sklearn库TfidfVectorizer提取特征250 11.9　输出变量准备250 11.10　使用Sklearn库随机森林分类器建模251 11.10.1　模型性能测量252 11.10.2　模型阈值交互255 11.11　Web图形化交互256 11.12　构建本地Flask Web应用257 11.13　将应用程序部署到Azure公有云259 11.13.1　在Azure上部署Git259 11.13.2　Azure命令行接口工具262 11.13.3　资源清理265 11.13.4　故障排查266 11.14　本章小结与附加资源268 第12章　案例研究3：使用基础财务信息使内容更丰富269 12.1　访问股票上市公司名单269 12.2　使用维基百科API获取公司信息271 12.3　构建动态FinViz链接272 12.4　基础消息探索273 12.5　设计Web应用程序274 12.6　上传Web应用程序到PythonAnywhere276 12.7　本章小结281 第13章　使用Google Analytics282 13.1　创建Google Analytics账户282 13.2　JavaScript跟踪器283 13.3　阅读分析报告284 13.4　流量来源286 13.5　页面286 13.6　本章小结与附加资源287 第14章　在PythonAnywhere上使用A/B测试和MySQL数据库288 14.1　A/B测试289 14.1.1　用户跟踪290 14.1.2　通用唯一标识符290 14.2　MySQL290 14.2.1　使用命令行启动和停止服务292 14.2.2　MySQL命令行监视器293 14.2.3　创建数据库293 14.2.4　创建数据表294 14.2.5　创建数据库用户295 14.3　Python库：mysql.connector295 14.3.1　SELECT SQL语句296 14.3.2　INSERT SQL语句296 14.3.3　UPDATE SQL语句297 14.4　将代码抽象为函数298 14.5　设计Web应用程序300 14.6　在PythonAnywhere上设置MySQL300 14.7　在PythonAnywhere上进行A/B测试302 14.8　A/B测试结果304 14.9　本章小结304 第15章　从访问者到订阅者306 15.1　基于文本的身份验证306 15.1.1　Flask-HTTPAuth硬编码账户307 15.1.2　摘要式身份验证示例308 15.1.3　使用外部文本文件的摘要式身份验证示例309 15.2　简单订阅插件系统311 15.2.1　用Memberful进行销售311 15.2.2　用PayPal进行捐赠315 15.2.3　用Stripe进行购买317 15.3　本章小结321 第16章　案例研究4：使用Memberful构建订阅付费墙322 16.1　升级Memberful和Python-Anywhere支付账户323 16.1.1　升级Memberful323 16.1.2　升级PythonAnywhere326 16.1.3　使用pip安装Flask-SSLify326 16.2　Memberful用户验证327 16.2.1　两步流程和Flask会话机制327 16.2.2　身份验证第1步328 16.2.3　身份验证第2步328 16.2.4　调用Memberful函数330 16.3　设计Web应用程序331 16.3.1　在Memberful.com上设计一个订阅计划331 16.3.2　将Web应用程序上传到PythonAnywhere333 16.3.3　在Memberful和MySQL中替换你自己的凭据335 16.4　代码解释336 16.4.1　main.py336 16.4.2　welcome.html336 16.4.3　index.html337 16.5　本章小结338 第17章　关闭所有资源339

曼纽尔·阿米纳特吉（Manuel Amunategui） 曼纽尔·阿米纳特吉（Manuel Amunategui） 是SpringML（谷歌云和Salesforce的优选合作伙伴）的数据科学副总裁，拥有预测分析和国际管理硕士学位。在过去20年中，他在科技行业内实施了数百种端到端客户解决方案。在机器学习、医疗健康建模等方面有着丰富的咨询经验。他在华尔街金融行业工作了6年，在微软工作了4年，这些经历使他意识到应用数据科学教育和培训材料的缺乏。为了帮助缓解这一问题，他一直在通过文字博客、视频博客和教育材料传播应用数据科学知识。 迈赫迪·洛佩伊（Mehdi Roopaei） 迈赫迪·洛佩伊（Mehdi Roopaei） 是IEEE、AIAA和ISA的高级成员。2011年获Shiraz大学计算机工程博士学位，研究方向为动态系统的智能控制。2012年至2018年夏季，他在得克萨斯大学圣安东尼奥分校从事博士后研究工作；2018年秋季，他在威斯康星大学普拉特维尔分校担任助理教授。他的研究兴趣包括人工智能驱动的控制系统、数据驱动决策、机器学习和物联网（IoT），以及沉浸式分析。他是IEEE Access的副主编，也是IoT Elsevier杂志的编委会成员。他还是IoT Elsevier特刊《IoT Analytics for Data Streams》的兼职编辑，出版了《Applied Cloud Deep Semantic Recognition: Advanced Anomaly Detection》（CRC Press, 2018）一书。他于2018年1月至7月在圣安东尼奥担任IEEE联合通信和信号处理社区分会主席。他发表了60多篇备受同行好评的技术论文，在多个会议上担任项目委员会成员，并担任多个期刊的技术审稿人。

暂无其它内容！

暂时还没有人为这本书评论！