مشخصات کتاب

Pragmatic AI: An Introduction to Cloud-Based Machine Learning

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان: Noah Gift  
سری: Addison Wesley Data & Analytics 
ISBN (شابک) : 9780134863863, 0134863860 
ناشر: Addison-Wesley Professional 
سال نشر: 2018 
تعداد صفحات: 272 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

کلمات کلیدی مربوط به کتاب هوش مصنوعی عملی: مقدمه ای بر یادگیری ماشینی مبتنی بر ابر: DevOps، Google Cloud Platform، خدمات وب آمازون، رایانش ابری، خط فرمان، یادگیری ماشین، خواندن، پردازش زبان طبیعی، یادگیری بدون نظارت، برنامه نویسی، پایتون، Slack، Pipelines، Docker، Excel، scikit-learn، Flask، Web Scraping، NumPy، پانداها، رسانه‌های اجتماعی، Jupyter، iPython، AWS Lambda، AWS Batch، AWS SageMaker، AWS Elastic Compute Cloud، Elementary

در صورت تبدیل فایل کتاب Pragmatic AI: An Introduction to Cloud-Based Machine Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب هوش مصنوعی عملی: مقدمه ای بر یادگیری ماشینی مبتنی بر ابر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب هوش مصنوعی عملی: مقدمه ای بر یادگیری ماشینی مبتنی بر ابر

راه حل های قدرتمند تجاری خارج از قفسه را برای هوش مصنوعی و یادگیری ماشینی استاد کنید هوش مصنوعی عملی به شما کمک می کند تا مشکلات دنیای واقعی را با یادگیری ماشینی معاصر، هوش مصنوعی و ابزارهای محاسبات ابری حل کنید. هدیه نوح همه مفاهیم و ابزارهایی را که برای به دست آوردن نتیجه نیاز دارید را رمزگشایی می کند - حتی اگر پیشینه قوی در ریاضیات یا علوم داده نداشته باشید. هدیه ارائه‌های ابری قدرتمند را از آمازون، گوگل و مایکروسافت روشن می‌کند و تکنیک‌های اثبات‌شده را با استفاده از اکوسیستم علم داده پایتون نشان می‌دهد. گردش کار و نمونه‌های او به شما کمک می‌کند تا هر مرحله، از استقرار تا تولید را ساده و ساده کنید، و راه‌حل‌هایی با مقیاس‌پذیری استثنایی بسازید. همانطور که نحوه کار راه حل های زبان ماشین (ML) را یاد می گیرید، درک شهودی تری از آنچه می توانید با آنها به دست آورید و نحوه به حداکثر رساندن ارزش آنها به دست خواهید آورد. با تکیه بر این اصول، گام به گام در ساخت برنامه‌های AI/ML مبتنی بر فضای ابری قدم می‌زنید تا به مسائل واقعی در بازاریابی ورزشی، مدیریت پروژه، قیمت‌گذاری محصول، املاک و غیره بپردازید. چه یک حرفه ای تجارت، تصمیم گیرنده، دانشجو یا برنامه نویس باشید، راهنمایی های تخصصی Gift و مطالعات موردی گسترده شما را برای حل مشکلات علم داده در تقریباً هر محیطی آماده می کند. • تمام ابزارهای مورد نیاز خود را دریافت و پیکربندی کنید • به سرعت تمام پایتون هایی را که برای شروع ساخت برنامه های یادگیری ماشین نیاز دارید، مرور کنید • بر چرخه عمر پروژه و زنجیره ابزار هوش مصنوعی و ML مسلط شوید • کار با ابزارهای علوم داده پایتون مانند IPython، Pandas، Numpy، Juypter Notebook و Sklearn • یک حلقه بازخورد عملی را بگنجانید که به طور مداوم کارایی گردش کار و سیستم شما را بهبود می بخشد. • با Google Cloud Platform راه‌حل‌های هوش مصنوعی ابری، از جمله سرویس‌های TPU، Colaboratory و Datalab را توسعه دهید. • گردش کار هوش مصنوعی ابری خدمات وب آمازون را تعریف کنید، از جمله نمونه های نقطه ای، خطوط لوله کد، بوتو، و موارد دیگر • با Microsoft Azure AI API کار کنید • از ابتدا تا انتها در ساخت شش برنامه کاربردی هوش مصنوعی در دنیای واقعی قدم بزنید

توضیحاتی درمورد کتاب به خارجی

Master Powerful Off-the-Shelf Business Solutions for AI and Machine Learning Pragmatic AI will help you solve real-world problems with contemporary machine learning, artificial intelligence, and cloud computing tools. Noah Gift demystifies all the concepts and tools you need to get results—even if you don’t have a strong background in math or data science. Gift illuminates powerful off-the-shelf cloud offerings from Amazon, Google, and Microsoft, and demonstrates proven techniques using the Python data science ecosystem. His workflows and examples help you streamline and simplify every step, from deployment to production, and build exceptionally scalable solutions. As you learn how machine language (ML) solutions work, you’ll gain a more intuitive understanding of what you can achieve with them and how to maximize their value. Building on these fundamentals, you’ll walk step-by-step through building cloud-based AI/ML applications to address realistic issues in sports marketing, project management, product pricing, real estate, and beyond. Whether you’re a business professional, decision-maker, student, or programmer, Gift’s expert guidance and wide-ranging case studies will prepare you to solve data science problems in virtually any environment. • Get and configure all the tools you’ll need • Quickly review all the Python you need to start building machine learning applications • Master the AI and ML toolchain and project lifecycle • Work with Python data science tools such as IPython, Pandas, Numpy, Juypter Notebook, and Sklearn • Incorporate a pragmatic feedback loop that continually improves the efficiency of your workflows and systems • Develop cloud AI solutions with Google Cloud Platform, including TPU, Colaboratory, and Datalab services • Define Amazon Web Services cloud AI workflows, including spot instances, code pipelines, boto, and more • Work with Microsoft Azure AI APIs • Walk through building six real-world AI applications, from start to finish

فهرست مطالب

Cover
Half Title
Title Page
Copyright Page
Dedication
Contents
Preface
Acknowledgments
About the Author
I: Introduction to Pragmatic AI
	1 Introduction to Pragmatic AI
		Functional Introduction to Python
			Procedural Statements
			Printing
			Create Variable and Use Variable
			Multiple Procedural Statements
			Adding Numbers
			Adding Phrases
			Complex Statements
			Strings and String Formatting
			Adding and Subtracting Numbers
			Multiplication with Decimals
			Using Exponents
			Converting Between Different Numerical Types
			Rounding Numbers
			Data Structures
			Dictionaries
			Lists
			Functions
		Using Control Structures in Python
			for Loops
			While Loops
			If/Else
			Intermediate Topics
		Final Thoughts
	2 AI and ML Toolchain
		Python Data Science Ecosystem: IPython, Pandas, NumPy, Jupyter Notebook, Sklearn
		R, RStudio, Shiny, and ggplot
		Spreadsheets: Excel and Google Sheets
		Cloud AI Development with Amazon Web Services
		DevOps on AWS
			Continuous Delivery
			Creating a Software Development Environment for AWS
			Integrating Jupyter Notebook
			Integrating Command-Line Tools
			Integrating AWS CodePipeline
		Basic Docker Setup for Data Science
		Other Build Servers: Jenkins, CircleCI, and Travis
		Summary
	3 Spartan AI Lifecycle
		Pragmatic Production Feedback Loop
		AWS SageMaker
		AWS Glue Feedback Loop
		AWS Batch
		Docker-based Feedback Loops
		Summary
II: AI in the Cloud
	4 Cloud AI Development with Google Cloud Platform
		GCP Overview
		Colaboratory
		Datalab
			Extending Datalab with Docker and Google Container Registry
			Launching Powerful Machines with Datalab
		BigQuery
			Moving Data into BigQuery from the Command Line
		Google Cloud AI Services
			Classifying my Crossbreed Dog with the Google Vision API
		Cloud TPU and TensorFlow
			Running MNIST on Cloud TPUs
		Summary
	5 Cloud AI Development with Amazon Web Services
		Building Augmented Reality and Virtual Reality Solutions on AWS
			Computer Vision: AR/VR Pipelines with EFS and Flask
			Data Engineering Pipeline with EFS, Flask, and Pandas
		Summary
III: Creating Practical AI Applications from Scratch
	6 Predicting Social-Media Influence in the NBA
		Phrasing the Problem
			Gathering the Data
		Collecting Challenging Data Sources
			Collecting Wikipedia Pageviews for Athletes
			Collecting Twitter Engagement for Athletes
			Exploring NBA Athlete Data
		Unsupervised Machine Learning on NBA Players
			Faceting Cluster Plotting in R on NBA Players
			Putting it All Together: Teams, Players, Power, and Endorsements
		Further Pragmatic Steps and Learnings
		Summary
	7 Creating an Intelligent Slackbot on AWS
		Creating a Bot
		Converting the Library into a Command-Line Tool
		Taking the Bot to the Next Level with AWS Step Functions
		Getting IAM Credentials Set Up
			Working with Chalice
		Building Out the Step Function
		Summary
	8 Finding Project Management Insights from a GitHub Organization
		Overview of the Problems in Software Project Management
			Exploratory Questions to Consider
		Creating an Initial Data Science Project Skeleton
		Collecting and Transforming the Data
		Talking to an Entire GitHub Organization
		Creating Domain-specific Stats
		Wiring a Data Science Project into a CLI
		Using Jupyter Notebook to Explore a GitHub Organization
			Pallets GitHub Project
		Looking at File Metadata in the CPython Project
		Looking at Deleted Files in the CPython Project
		Deploying a Project to the Python Package Index
		Summary
	9 Dynamically Optimizing EC2 Instances on AWS
		Running Jobs on AWS
			Spot Instances
		Summary
	10 Real Estate
		Exploring Real Estate Values in the United States
		Interactive Data Visualization in Python
		Clustering on Size Rank and Price
		Summary
	11 Production AI for User-Generated Content
		The Netflix Prize Wasn’t Implemented in Production
		Key Concepts in Recommendation Systems
		Using the Surprise Framework in Python
		Cloud Solutions to Recommendation Systems
		Real-World Production Issues with Recommendations
			Real-World Recommendation Problems: Integration with Production APIs
		Cloud NLP and Sentiment Analysis
			NLP on Azure
			NLP on GCP
			Exploring the Entity API
			Production Serverless AI Pipeline for NLP on AWS
		Summary
A: AI Accelerators
B: Deciding on Cluster Size
Index

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Feature Selection for High-Dimensional Data

دانلود کتاب Linked Data Management

دانلود کتاب Deep Learning for Natural Language Processing: Creating Neural Networks with Python

دانلود کتاب Human Action Recognition with Depth Cameras

دانلود کتاب Robust speech recognition and understanding

دانلود کتاب AI for a Safe Earth: Private Probabilistic Search and Predictive Threat Analytics

دانلود کتاب Algorithmic Aspects of Machine Learning

دانلود کتاب Deep Learning for Computer Vision: Expert techniques to train advanced neural networks using TensorFlow and Keras

دانلود کتاب Biologically Inspired Kinematic Synergies Provide a New Paradigm for Balance Control of Humanoid Robots

دانلود کتاب Architectural Intelligence: Selected Papers from the 1st International Conference on Computational Design and Robotic Fabrication (CDRF 2019)