●第一部分 實用人工智能基礎
第1章 實用人工智能簡介
Python功能介紹
程序語句
字符串和字符串格式化
數字與算術運算
數據結構
函數
在Python中使用控制結構
for循環
while循環
if/else語句
生成器表達式
列表推導式
中級主題
進一步思考
第2章 人工智能與機器學習的工具鏈
Python數據科學生態繫統:IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn
R語言、RStudio、Shiny和ggplot
電子表格:Excel和Google表格
使用 網絡服務開發雲端AI
AWS上的Devops
持續交付
為AWS創建軟件開發環境
集成Jupyter Notebook
集成命令行工具
集成AWS CodePipeline
數據科學中的基本Docker容器設置_
其他構建服務器:Jenkins、CircleCI、Codeship和Travis
小結
第3章 斯巴達式AI生命周期
實用生產反饋回路
AWS SageMaker
AWS Glue反饋回路
AWS批處理
基於Docker容器的反饋回路
小結
第二部分 雲端人工智能
第4章 使用Google雲平臺開發雲端AI
Google雲平臺概述
Colaboratory合作實驗工具
Datalab數據處理工具
使用Docker和Google容器注冊表擴展Datalab
使用Datalab啟動強大的機器
BigQuery雲數據倉庫
Google雲端AI服務
雲端TPU和TensorFlow
小結
第5章 使用 Web服務開發雲端AI
在AWS上構建增強現實和虛擬現實解決方案
計算機視覺:帶有EFS和Flask的ARNR管道
帶EFS、Flask和Pandas的數據工程管道
小結
第三部分 創建實際AI應用程序
第6章 預測社交媒體在NBA中的影響力
提出問題
收集具有挑戰性的數據源
收集運動員的Wikipedia頁面訪問量
收集運動員的Twitter參與度
探索NBA運動員數據
NBA球員的無監督機器學習
使用R語言對NBA球員執行分面聚類繪圖
彙總:球隊、球員、影響力和廣告代言
更多的實際進階與學習
小結
第7章 使用AWS創建智能的
Slack機器人
創建機器人
將庫轉換為命令行工具
使用AWS工作流服務將機器人提升到新水平
獲取IAM證書設置
建立工作流
小結
第8章 從GitHub組織中尋找項目管理的思考
軟件項目管理問題綜述
開始創建數據科學項目框架
收集和轉換數據
與GitHub組織交·流
創建特定領域的統計信息
將數據科學項目連接到CLI客戶端
使用Jupyter Notebook探索GitHub組織
查看CPython項目中數據
查看CPython項目中的已刪除文件
將項目部署到Python包索引庫
小結
第9章 動態優化基於AWS的彈性計算雲(EC2)實例
在AWS上運行作業
EC2 Spot實例
Spot實例理論和定價歷史
編寫Spot實例啟動程序
編寫更復雜的Spot實例啟動程序
小結
第10章 房地產數據研究
美國房地產價值探索
Python中的交互式數據可視化
規模等級和價格聚類
小結
第11章 用戶生成內容的生產環境AI
Netflix獎未在生產中實施
推薦繫統的基本概念
在Python中使用Surprise框架
推薦繫統的雲解決方案
推薦繫統的實際生產問題
雲端自然語言處理和情緒分析
Azure上的NLP
GCP上的NLP
AWS上的生產型無服務器
NLP AI管道
小結
附錄A AI加速器
附錄B 聚類大小的選擇
索引