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

這本實用指南作者Sev Leonard提供了一種在云中設計可擴展數據管道的整體方法，以解決低成本入門后可能演變成重要開銷的問題。對于開發數據管道的團隊，特別是在技術和工作負載快速變化的情況下，需要不斷進行重新設計，這是一個挑戰。本書將幫助中級數據工程師、軟件開發人員和架構師學習如何在成本和性能之間進行權衡，并選擇和配置計算和存儲。同時，您還將掌握代碼開發、測試和監控的最佳實踐。通過關注整個設計過程，您將能夠提供成本效益高、質量高的產品。本書可以幫助您：- 通過選擇成本較低的云服務和智能設計策略，減少云服務支出- 通過合理配置計算資源，最大程度地減少浪費而不損失性能- 通過有效的監控，推動管道的發展，防止性能問題并快速調試- 設置開發和測試環境，盡量減少對云服務的依賴- 創建可測試和可擴展的數據管道代碼庫，促進快速開發和演進- 通過驗證和測試提高數據質量和管道操作效率。通過本書，您將學習如何在云上交付可擴展且高度可用的產品，同時保持成本可控。這對于在不斷變化的技術和工作負載下開發數據管道的團隊非常有用。

如何將原始的、未經處理的或格式不正確的數據轉換為動態的、交互式的Web可視化?在這本實用的書中，作者Kyran Dale向數據科學家和分析師——以及Python和JavaScript開發人員——展示了如何為工作創建理想的工具鏈。通過提供引人入勝的示例和強調來之不易的最佳實踐，本指南教你如何利用最佳Python和JavaScript庫的力量。 Python提供了可訪問的、強大的、成熟的庫來抓取、清理和處理數據。雖然JavaScript是web可視化編程的最佳語言，但它的數據處理能力無法與Python相比。總之，這兩種語言是創建現代web可視化工具鏈的完美補充。這本書能讓你入門。

//www.oreilly.com/library/view/data-visualization-with/9781098111861/

你將學習如何:

通過編程獲取你需要的數據，使用抓取工具或web api: Requests, Scrapy, Beautiful Soup * 使用NumPy生態系統中的Python重量級數據處理庫清理和處理數據:Jupyter notebook with pandas+Matplotlib+Seaborn * 將數據以靜態文件的形式發送給瀏覽器，或者使用輕量級的Flask (Python服務器)和RESTful API * 學習足夠的web開發技能(HTML、CSS、JS)，以便在web上獲得可視化數據 * 使用你挖掘和細化的數據，使用Plotly、D3、Leaflet和其他庫創建網絡圖表和可視化

過去的十年見證了人工智能和機器學習(AI/ML)技術的廣泛采用。

然而，由于缺乏對其廣泛實施的監督，導致了有害的結果，而這些結果本可以通過適當的監督避免。在我們認識到AI/ML的真正好處之前，從業者必須了解如何減輕其風險。本書描述了負責任的人工智能，這是一種基于風險管理、網絡安全、數據隱私和應用社會科學的最佳實踐，用于改進AI/ML技術、業務流程和文化能力的整體方法。這是一項雄心勃勃的事業，需要各種各樣的人才、經驗和視角。需要招募數據科學家和非技術監督人員，并授權他們審計和評估高影響力的AI/ML系統。作者Patrick Hall為新一代審計師和評估人員創建了本指南，他們希望讓AI系統更好地為組織、消費者和廣大公眾服務。

• 學習如何創建一個成功的、有影響力的負責任的人工智能實踐
• 獲取采用人工智能技術的現有標準、法律和評估指南
• 看看公司現有的角色是如何演變為包含負責任的人工智能的
• 研究實施負責任人工智能的商業最佳實踐和建議
• 在系統開發的所有階段學習負責任的人工智能的技術方法

如今，機器學習(ML)是人工智能(AI)中最具商業可行性的子學科。ML系統被用于在就業、保釋、假釋、貸款和世界各地的許多其他應用中做出高風險決策。在企業環境中，ML系統用于組織的所有部分——從面向消費者的產品到員工評估、后臺辦公自動化等等。事實上，過去十年帶來了ML技術的廣泛采用。但它也證明了ML會給運營商和消費者帶來風險。不幸的是，就像幾乎所有其他技術一樣，ML可能會失敗——無論是由于無意的誤用還是故意的濫用。截至目前，人工智能事件數據庫伙伴關系擁有超過1000份關于算法歧視、數據隱私侵犯、訓練數據安全漏洞和其他有害故障的公開報告。在組織和公眾能夠意識到這項令人興奮的技術的真正好處之前，必須減輕這些風險。直到今天，這仍然需要人們的行動——不僅僅是技術人員。解決復雜的ML技術帶來的各種風險需要不同的人才、經驗和觀點。這種整合了技術實踐、業務流程和文化能力的整體風險緩解方法，正被稱為負責任的人工智能。

讀完本書，讀者將了解負責任人工智能的文化能力、業務流程和技術實踐。本書分為三個部分，呼應負責任人工智能的每個主要方面。本書的每一部分都進一步分成幾章，討論特定的主題和案例。雖然本書仍在規劃和編寫中，但《面向高風險應用的機器學習》將以介紹這個主題開始，然后進入第1部分。下面是本書的初步提綱。

第1部分:人類的觸覺——負責任的機器學習的文化能力

第一部分針對的是組織文化在更廣泛的負責任人工智能實踐中的重要性。第一部分第一章的計劃涉及呼吁停止快速前進和破壞事物，重點是眾所周知的AI系統故障以及相關的詞匯和案例。第2章將分析消費者保護法、風險管理模型，以及其他指導方針、教訓和案例，這些對人工智能組織和系統中培養問責制很重要。第3章將探討團隊、組織結構和人工智能評估器的概念。第4章將討論人類與AI系統進行有意義交互的重要性，第5章將詳細介紹傳統組織約束之外的重要工作方式，如抗議、數據新聞和白帽黑客。

第2部分:為成功做準備——負責任的機器學習的組織過程關注點

第二部分將介紹負責任的人工智能過程。它將從第6章開始，探索組織策略和過程如何影響人工智能系統的公平性，以及令人吃驚的公平性缺失。第7章將概述人工智能系統的常見隱私和安全政策。第8章將考慮管理在美國部署人工智能的現有和未來法律和法規。第9章將強調AI系統的模型風險管理的重要性，但也指出了一些缺點。最后，第10章的藍圖是討論在未來負責任的人工智能采用的背景下，企業如何聽取過去對社會和環境責任的呼吁。

第三部分: 增強人類信任和理解的技術方法

第三部分的議程涵蓋了負責任人工智能的新興技術生態系統。第11章將介紹實驗設計的重要科學，以及當代數據科學家如何在很大程度上忽視了它。第12章將總結提高人工智能透明度的兩種主要技術:可解釋的機器學習模型和事后可解釋的人工智能(XAI)。第13章計劃深入探討機器學習模型的偏差測試和補救的世界，并應該解決傳統的和緊急的方法。第14章將介紹ML算法和AI系統的安全性，第15章將結束第3部分，廣泛討論AI系統的安全性和性能測試，有時也稱為模型調試。

隨著技術的進步、快速的市場和系統的更高復雜性，軟件工程師往往會跳過軟件效率這個令人不舒服的話題。然而，戰術的、可觀察性驅動的性能優化對于每個產品來說都是至關重要的，可以節省資金并確保業務成功。 有了這本書，任何工程師都可以學習如何有效、專業、無壓力地提高軟件效率。作者bartzuomiej potka提供了使您的系統更快、減少資源消耗所需的工具和知識。高效Go引導您使用Go實現更好的日常效率。此外，大多數內容與語言無關，允許您在編程或產品管理周期中引入小而有效的習慣。 這本書告訴你如何:

明確和協商效率目標 * 優化各個層次的效率 * 有效利用CPU和內存等公共資源 * 通過Prometheus、Jaeger和Parca等開源項目，使用可觀察性信號(如度量、日志記錄、跟蹤和(持續的)分析)來評估效率 * 應用go test、pprof、benchstat和k6等工具來創建可靠的微觀和宏觀基準 * 高效地使用Go和它的特性，如切片、泛型、goroutine、分配語義、垃圾收集等等!

面向數據編程是介紹面向數據范式的獨一無二的指南。這種開創性的方法用通用的不可變數據結構表示數據。它簡化了狀態管理，簡化了并發性，并消除了在面向對象代碼中會發現的常見問題。這本書通過對話、代碼片段和圖表展示了強大的新思想，幫助您快速了解關于DOP的偉大之處。最重要的是，該范例與語言無關，您將學習編寫可以用JavaScript、Ruby、Python、Clojure實現的DOP代碼，也可以用傳統的OO語言(如Java或c#)實現。

//www.manning.com/books/data-oriented-programming

面向數據的編程是為了幫助開發人員降低他們構建的系統的復雜性而編寫的。本書中的思想主要適用于操作信息的系統，如前端應用程序、后端Web服務器或Web服務。

這本書講述了一個故事，說明了面向數據編程(DOP)的價值，以及如何在現實生產系統中應用它的原則。我的建議是跟著故事走，按順序讀各個章節。然而，如果有些章節比其他章節更能激發你的好奇心，請注意，第一部分和第7部分的材料是需要理解第二和第三部分的。在本書中，我們使用Lodash ()來說明如何使用泛型函數操作數據。如果您正在閱讀的代碼片段使用的是您不熟悉的Lodash函數，您可以參考附錄D來理解函數的行為。第1部分，靈活性，包含六個章節，重點介紹了傳統面向對象編程(OOP)的挑戰，并將面向數據編程(DOP)放在中心位置，揭示了如何使用DOP的基本原則來構建靈活的系統。這些章節是這樣排列的:

• 在第一章“面向對象編程的復雜性”中，我們將討論面向對象編程的復雜性。然后，我們的DOP傳奇開始了!聽一聽高級開發人員Theo和他前途無量的同事Dave之間的對話。對Theo與OOP的復雜性作斗爭感到同情，并發現嘗試不同編程范式的一個極好的理由。

• 第二章，代碼和數據的分離，我們的朋友Theo正在尋找一種解決方案，可以降低系統的復雜性，增加系統的靈活性。他的工作有危險。Joe是一位經驗豐富的開發人員，他有一個答案——dop。了解DOP原則#1如何幫助降低信息系統的復雜性。

• 第三章，基本數據操作，探討了如何通過應用DOP原則#2，將數據從類剛性的封裝中解放出來，并使用泛型函數自由地操作它。Vive la革命!

• 第四章，狀態管理，通過多版本方法探索狀態管理，通過將系統恢復到以前的狀態，讓我們回到過去，因為在DOP中，狀態只是數據。時間旅行是真實存在的!

• 第五章，基本并發控制，通過應用樂觀并發控制策略，幫助我們在并發系統中獲得高的讀寫吞吐量。不需要玫瑰色的眼鏡!

• 第六章，單元測試，提供了一杯咖啡…與喬!我們的朋友Joe證明了面向數據的代碼單元測試非常簡單，你可以在咖啡店里完成它。喝杯茶，了解一下為什么它如此簡單——即使是突變!當你和Joe一起寫DOP單元測試的時候。它很酷豆!

第2部分 (可擴展性)演示了如何大規模構建DOP系統，重點關注數據驗證、多線程環境、大型數據集合、數據庫訪問和web服務。需要超大的系統?沒問題!

• 第7章，基本數據驗證，教我們如何確保數據進出我們的系統是有效的，只是以防萬一…因為，正如Joe所說，您不必在DOP中強制驗證數據，但是在需要時可以驗證。驗證還是不驗證，這是一個問題!

• 第8章，高級并發控制，在我們的朋友Joe分解原子機制的實現細節之后，我們將學習如何在不使用任何鎖的情況下以線程安全的方式管理整個系統狀態。你根本不知道從原子到原子的復雜性!

• 第9章，持久數據結構，轉移到一個更學術的環境，我們的朋友Joe揭示了一個更安全、更可伸縮的方式來保持數據不變性的內部細節，以及如何有效地實現它，無論數據大小。現在開始上課!

• 第10章，數據庫操作，教我們如何表示、訪問和操作數據庫中的數據，并提供額外的靈活性，你猜對了!表示“不”的復雜性。?第11章，Web服務，讓我們發現與Web服務通信的簡單性。我們會學到喬說的“我們應該像構建外部那樣構建系統的內部”是什么意思。

第3部分，可維護性，介紹高級數據驗證、多態、有效代碼和調試技術的DOP技術，這些技術在團隊中工作時非常重要。歡迎加入我們的團隊!

• 第12章，高級數據驗證，允許我們發現未來事物的形狀。在這里，您將學習如何在數據在系統內部流動時驗證數據，通過定義函數參數和返回值的預期形狀，從而簡化開發。

• 第13章，多態性，帶我們和Theo和Dave一起上了一節鄉下的課——一個適合與動物玩耍的地方，并通過多重方法學習沒有對象的多態性。

• 第十四章，高級數據操作，讓我們看到Dave和Theo如何應用Joe的明智建議，在他們創建自己的數據操作工具時，將乏味的代碼變成有說服力的代碼。本末倒置。“——又是喬送的寶石!”

• 第十五章，調試，把Dave和Theo帶到博物館最后一次“歡呼”，因為他們創造了一個創新的解決方案來重現和修復錯誤。

如果你想從程序員轉型為AI專家，這是一個理想的起點。基于Laurence Moroney極其成功的AI課程，這本介紹性的書提供了一個動手實踐，代碼優先的方法，幫助您建立信心，而您學習關鍵主題。

您將了解如何實現機器學習中最常見的場景，如計算機視覺、自然語言處理(NLP)，以及web、移動、云和嵌入式運行時的序列建模。大多數關于機器學習的書籍都是從令人生畏的高等數學開始的。本指南建立在讓您直接使用代碼的實踐經驗的基礎上。

你將學習: 如何使用TensorFlow建立模型 通過代碼示例學習機器學習的基礎知識 如何實現計算機視覺，包括圖像中的特征檢測 如何使用自然語言處理來標記和排列單詞和句子 在Android和iOS中嵌入模型的方法 如何使用TensorFlow服務在網絡和云上部署模型

//www.oreilly.com/library/view/ai-and-machine/9781492078180/

歡迎來到《程序員的人工智能和機器學習》，這是我多年來一直想寫的書，但由于機器學習(ML)的最新進展，特別是TensorFlow，它才真正成為可能。本書的目標是為你做準備，作為一個程序員，許多場景，你可以解決機器學習，目的是促使你成為一個ML和AI開發人員，而不需要博士學位!我希望你會發現它是有用的，它將增強你的信心，開始這一美妙和有價值的旅程。

這本書主要由兩部分組成。第一部分(1-11章)討論了如何使用TensorFlow為各種場景構建機器學習模型。它帶你從最初的原理——用一個只包含一個神經元的神經網絡建立一個模型——到計算機視覺、自然語言處理和序列建模。第二部分(12-20章)將介紹如何將模型放在Android和iOS上，在瀏覽器中使用JavaScript，并通過云提供服務。大多數章節都是獨立的，所以你可以順便學習一些新的東西，或者，當然，你可以從頭到尾讀一遍。

目錄內容： Foreword

Preface I. Building Models

1. Introduction to TensorFlow

2. Introduction to Computer Vision

3. Going Beyond the Basics: Detecting Features in Images

4. Using Public Datasets with TensorFlow Datasets

5. Introduction to Natural Language Processing

6. Making Sentiment Programmable Using Embeddings

7. Recurrent Neural Networks for Natural Language Processing

8. Using TensorFlow to Create Text

9. Understanding Sequence and Time Series Data

10. Creating ML Models to Predict Sequences

11. Using Convolutional and Recurrent Methods for Sequence Models

II. Using Models

12. An Introduction to TensorFlow Lite

13. Using TensorFlow Lite in Android Apps

14. Using TensorFlow Lite in iOS Apps

15. An Introduction to TensorFlow.js

16. Coding Techniques for Computer Vision in TensorFlow.js

17. Reusing and Converting Python Models to JavaScript

18. Transfer Learning in JavaScript

19. Deployment with TensorFlow Serving

20. AI Ethics, Fairness, and Privacy

Index

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

探索微軟Azure提供的人工智能產品及其其他服務。這本書將幫助你在各種Azure服務中實現AI特性，以幫助建立你的組織和客戶。

這本書從介紹Azure認知搜索服務來創建和使用應用程序開始。然后您將學習Azure SQL數據庫中內置的自動調優智能機制。這是一個可以用來使Azure SQL數據庫優化查詢性能的重要特性。接下來，您將使用Azure Integration Platform service和Azure Logic Apps瀏覽AI服務，在您的應用程序中構建一個現代智能工作流。Azure函數是作為其無服務器特性的一部分進行討論的。這本書的結尾是教你如何使用Power automation來分析業務工作流。

通過閱讀這本書，你將能夠理解和使用AI中的不同Azure認知服務。

你會:

• 開始使用Azure認知搜索服務
• 使用低代碼功率自動化的人工智能服務
• 在Azure集成服務中使用AI服務
• 在Azure無服務器服務中使用AI服務
• 在Azure SQL數據庫中使用自動調優