亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

這本書集中在使用企業框架和技術的人工智能的應用方面。本書在本質上是應用的，將使讀者具備交付企業ML技術所需的技能和理解。它將對人工智能和數據科學等學科的本科生和研究生，以及從事數據分析和機器學習任務的工業從業者有價值。這本書涵蓋了該領域的所有關鍵概念方面，并為所有感興趣的方面提供了一個基礎來開發他們自己的人工智能應用程序。

//link.springer.com/book/10.1007/978-3-031-04420-5

我們現在開始看到人工智能(AI)在各行各業的廣泛使用。從家庭中的Alexa到未來無人駕駛汽車的承諾。人工智能的許多方面已經從純理論領域過渡到應用領域。因此，不像傳統的大學課程，這本書提供了一個介紹性的指南，那些希望pick up AI，并應用它解決現實世界的問題。我們從未見過圍繞人工智能應用的這么多框架。隨著谷歌、微軟(Microsoft)、IBM、Facebook和英偉達(NVidia)等許多大型組織提供了廣泛的人工智能技術，隨著我們繼續看到人工智能的發展，爭奪市場份額的競賽正在展開。這意味著大大小小的企業都在越來越多地尋求使用這些技術來開始開發解決方案，以解決他們自己獨特的問題。這本書是及時的，因為它的根本目標是彌合組織提供的良好支持框架與任何有學習應用AI愿望的人之間的差距。

本書將為您提供必要的工具，以快速跟蹤端到端人工智能解決方案的發展。這將幫助你構建AI系統來解決古老的問題，甚至生成具有重大和深遠影響的新產品。對于任何正在考慮從事人工智能職業的人來說，現在是最好的開始時機。這本書將向你展示如何使用Scikit-Learn等框架開發傳統AI應用程序，并向你介紹使用谷歌、TensorFlow Serving和Docker的TensorFlow框架進行深度學習(DL)。傳統的機器學習框架將使用RAPIDS進行擴展，以展示如何加速機器學習管道以加快模型部署。這本書將介紹DL算法的深入概念，如卷積神經網絡(CNNs)，長期短期記憶(LSTM)網絡，自動編碼器(AE)和生成對抗神經網絡(GANs)。完成這本書，你將有必要的知識，自信地開始在應用人工智能的職業生涯。

利用Python使復雜的系統自動化，代碼可讀。這個新版本將幫助您從操作/系統管理轉移到易于學習的編碼。

您將從編寫命令行腳本和自動化簡單的devops風格的任務開始，然后創建可靠和快速的單元測試，以避免由有bug的自動化引起的事故。然后，您將轉向更高級的案例，比如使用Jupyter作為可審計的遠程控制面板，并編寫Ansible和Salt擴展。

本書中更新的信息涵蓋了部署和更新Python應用程序的最佳實踐。這包括Docker、現代Python包和內部Python包存儲庫。您還將看到如何使用AWS API和Kubernetes API，以及如何自動化Docker容器映像的構建和運行。最后，您將使用來自Python的Terraform，以允許更靈活的模板和環境定制。

你會:

• 了解使用Python的操作系統自動化
• Python應用程序包
• 使用Python作為DevOps控制臺
• 用Python檢查云自動化

在MLOps工程中，你將學到:

提取、轉換和加載數據集 使用SQL查詢數據集 理解PyTorch中的自動區分 將模型訓練管道部署為服務端點 監視和管理管道的生命周期 測量的性能改進

MLOps Engineering at Scale教你如何使用AWS和其他云供應商的預構建服務來實現高效的機器學習系統。即使您以前從未使用過云平臺，這本易于遵循的書也會逐步指導您設置無服務器ML基礎設施。您還將探索諸如PyTorch Lightning、Optuna和MLFlow等工具，這些工具可以輕松地構建管道并在生產中擴展您的深度學習模型。

//www.manning.com/books/mlops-engineering-at-scale

**本書由三部分組成。**在第1部分中，我列出了將機器學習系統投入生產的場景，描述了實驗機器學習代碼和生產機器學習系統之間的工程差距，并解釋了無服務器機器學習如何幫助彌合這一差距。的第1部分,我將教會你如何使用公共云的serverless特性(Amazon Web Services)開始使用一個真實的機器學習用例,準備一個工作機器學習的數據集的用例,并確保你準備機器學習應用到用例。在第2部分中，我將介紹如何使用PyTorch深度學習框架為結構化數據集開發模型，解釋如何在云中分布和擴展機器學習模型訓練，并展示如何部署經過訓練的機器學習模型以根據用戶需求進行擴展。在此過程中，您將學習評估和評估替代機器學習模型實現的性能，以及如何為用例選擇正確的機器學習模型。在第3部分中，我將向您介紹機器學習實踐者經過戰斗測試的技術，并涵蓋特征工程、超參數調整和機器學習流水線組裝。讀完這本書，您將建立一個機器學習平臺，它吸收原始數據，為機器學習做好準備，應用特征工程，并訓練高性能、超參數調整的機器學習模型。

深度學習:全面指南提供了深度學習(DL)和機器學習(ML)的概念的全面覆蓋。DL和ML是最受歡迎的領域，需要深刻的理解。這本書使讀者能夠基于ML和DL構建創新和有用的應用。從神經網絡的基礎開始，并繼續通過各種類型的CNN, RNNs, LSTM的架構，以及更多，直到書的結尾，每一個主題都給予了最大的照顧和專業和全面的塑造。

//www.routledge.com/Deep-Learning-A-Comprehensive-Guide/Vasudevan-Pulari-Vasudevan/p/book/9781032028828

關鍵特征： 包括從ML概念到DL概念的平穩過渡

對于所有基于代碼的示例，都提供了逐行解釋

包括許多實際的例子和面試問題

即使是非計算機科學背景的人也可以從這本書中受益，學習理論、例子、案例研究和代碼片段

每一章都以目標開始，并以一組測試讀者理解力的測試問題結束

包括對提供額外指導的相關YouTube視頻的引用

人工智能是每個人的領域。這本書面向所有人，不論他們的專業領域是什么。畢業生和研究人員在深度學習將發現這本書有用。

在生產中使用端到端示例構建和部署機器學習和深度學習模型。

本書以機器學習模型部署過程及其相關挑戰為重點。接下來，它涵蓋了使用不同的web框架(如Flask和Streamlit)構建和部署機器學習模型的過程。關于Docker的那一章將介紹如何打包和包含機器學習模型。本書還說明了如何使用Kubernetes建立和訓練大規模的機器學習和深度學習模型。

對于那些希望通過采用預構建模型并將其部署到生產環境中來提高機器學習水平的人來說，這本書是一個很好的起點。它還為那些想要超越Jupyter ，在云環境下進行大規模訓練的人提供了指導。書中提供的所有代碼都以Python腳本的形式提供給您，您可以嘗試這些示例并以有趣的方式擴展它們。

你將學會 :

使用Kubernetes大規模構建、訓練和部署機器學習模型

將任何類型的機器學習模型容器化，并使用Docker在任何平臺上運行

使用Flask和Streamlit框架部署機器學習和深度學習模型

掌握使用PyTorch實現深度學習解決方案的實踐方面，使用實踐方法理解理論和實踐。Facebook的人工智能研究小組開發了一個名為PyTorch的平臺，該平臺擁有良好的理論基礎和實用技能，為你在現實世界中應用深度學習做好了準備。

首先，您將了解PyTorch的深度學習是如何以及為什么成為一種具有開創性的框架，它帶有一組工具和技術來解決現實世界中的問題。接下來，這本書將為你打下線性代數、向量微積分、概率和最優化的數學基礎。在建立了這個基礎之后，您將繼續討論PyTorch的關鍵組件和功能，包括層、損失函數和優化算法。

您還將了解基于圖形處理單元(GPU)的計算，這對訓練深度學習模型是必不可少的。介紹了深度學習的前饋網絡、卷積神經網絡、循環神經網絡、長短時記憶網絡、自動編碼器網絡和生成對抗網絡等關鍵網絡結構。在許多訓練和優化深度學習模型的技巧的支持下，這個版本的Python深度學習解釋了使用PyTorch將這些模型帶到生產中的最佳實踐。

你會: 回顧機器學習的基本原理，如過擬合、欠擬合和正則化。 了解深度學習的基本原理，如前饋網絡，卷積神經網絡，遞歸神經網絡，自動微分和隨機梯度下降。 使用PyTorch深入應用線性代數 探索PyTorch的基本原理及其構建塊 使用調優和優化模型

PyTorch是Facebook于2017年初在機器學習和科學計算工具Torch的基礎上，針對Python語言發布的一個全新的機器學習工具包，一經推出便受到了業界的廣泛關注和討論，目前已經成為機器學習從業人員的研發工具。

《PyTorch深度學習》是使用PyTorch構建神經網絡模型的實用指南，內容分為9章，包括PyTorch與深度學習的基礎知識、神經網絡的構成、神經網絡的知識、機器學習基礎知識、深度學習在電腦視覺中的應用、深度學習在序列數據和文本中的應用、生成網絡、現代網絡架構，以及PyTorch與深度學習的未來走向。

《PyTorch深度學習》適合對深度學習領域感興趣且希望一探PyTorch的業內人員閱讀；具備其他深度學習框架使用經驗的讀者，也可以通過本書掌握PyTorch的用法。

Vishnu Subramanian在領導、設計和實施大數據分析項目（人工智能、機器學習和深度學習）方面富有經驗。

擅長機器學習、深度學習、分布式機器學習和可視化等。 在零售、金融和旅行等行業頗具經驗，還善于理解和協調企業、人工智能和工程團隊之間的關系。

學習設計、構建和部署由機器學習(ML)支持的應用程序所必需的技能。通過這本親力親為的書，您將構建一個示例ML驅動的應用程序，從最初的想法到部署的產品。數據科學家、軟件工程師和產品經理—包括有經驗的實踐者和新手—將逐步學習構建真實的ML應用程序所涉及的工具、最佳實踐和挑戰。

作者Emmanuel Ameisen是一位經驗豐富的數據科學家，他領導了一個人工智能教育項目，通過代碼片段、插圖、截圖和對行業領袖的采訪展示了實用的ML概念。第1部分將告訴您如何計劃ML應用程序并度量成功。第2部分解釋了如何構建一個工作的ML模型。第三部分演示了改進模型的方法，直到它滿足您最初的設想。第4部分介紹部署和監控策略。

這本書會對你有所幫助:

• 定義你的產品目標，設置一個機器學習問題
• 快速構建第一個端到端管道并獲取初始數據集
• 訓練和評估您的ML模型并解決性能瓶頸
• 在生產環境中部署和監控您的模型

當看到這些材料時，一個明顯的問題可能會出現:“為什么還要寫一本深度學習和自然語言處理的書呢?”一些優秀的論文已經出版，涵蓋了深度學習的理論和實踐方面，以及它在語言處理中的應用。然而，從我教授自然語言處理課程的經驗來看，我認為，盡管這些書的質量非常好，但大多數都不是針對最有可能的讀者。本書的目標讀者是那些在機器學習和自然語言處理之外的領域有經驗的人，并且他們的工作至少部分地依賴于對大量數據，特別是文本數據的自動化分析。這些專家可能包括社會科學家、政治科學家、生物醫學科學家，甚至是對機器學習接觸有限的計算機科學家和計算語言學家。

現有的深度學習和自然語言處理書籍通常分為兩大陣營。第一個陣營專注于深度學習的理論基礎。這對前面提到的讀者肯定是有用的，因為在使用工具之前應該了解它的理論方面。然而，這些書傾向于假設一個典型的機器學習研究者的背景，因此，我經常看到沒有這種背景的學生很快就迷失在這樣的材料中。為了緩解這個問題，目前存在的第二種類型的書集中在機器學習從業者;也就是說，如何使用深度學習軟件，而很少關注理論方面。我認為，關注實際方面同樣是必要的，但還不夠。考慮到深度學習框架和庫已經變得相當復雜，由于理論上的誤解而濫用它們的可能性很高。這個問題在我的課程中也很常見。

因此，本書旨在為自然語言處理的深度學習搭建理論和實踐的橋梁。我涵蓋了必要的理論背景，并假設讀者有最少的機器學習背景。我的目標是讓任何上過線性代數和微積分課程的人都能跟上理論材料。為了解決實際問題，本書包含了用于討論的較簡單算法的偽代碼，以及用于較復雜體系結構的實際Python代碼。任何上過Python編程課程的人都應該能夠理解這些代碼。讀完這本書后，我希望讀者能有必要的基礎，立即開始構建真實世界的、實用的自然語言處理系統，并通過閱讀有關這些主題的研究出版物來擴展他們的知識。

//clulab.cs.arizona.edu/gentlenlp/gentlenlp-book-05172020.pdf

本書建立在基本的Python教程的基礎上，解釋了許多沒有被常規覆蓋的Python語言特性:從通過利用入口點作為微服務扮演雙重角色的可重用控制臺腳本，到使用asyncio高效地整理大量來源的數據。通過這種方式，它涵蓋了基于類型提示的linting、低開銷測試和其他自動質量檢查，以演示一個健壯的實際開發過程。

Python的一些功能強大的方面通常用一些設計的示例來描述，這些示例僅作為一個獨立示例來解釋該特性。通過遵循從原型到生產質量的真實應用程序示例的設計和構建，您不僅將看到各種功能是如何工作的，而且還將看到它們如何作為更大的系統設計過程的一部分進行集成。此外，您還將受益于一些有用的附加說明和庫建議，它們是Python會議上問答會議的主要內容，也是討論現代Python最佳實踐和技術的主要內容，以便更好地生成易于維護的清晰代碼。

高級Python開發是為已經能用Python編寫簡單程序的開發人員準備的，這些開發人員希望了解什么時候使用新的和高級語言特性是合適的，并且能夠以一種自信的方式這樣做。它對于希望升級到更高級別的開發人員和迄今為止使用過較老版本Python的非常有經驗的開發人員特別有用。

你將學習

• 理解異步編程
• 檢查開發插件架構
• 使用類型注釋
• 回顧測試技術
• 探索打包和依賴項管理

這本書是給誰的 -已經有Python經驗的中高級開發人員。