1..本書為軟件開發人員和數據科學家而寫，詳細說明了如何構建Keras模型以在Kubernetes集群上擴展和部署，介紹了從模型到生產的整個過程，並專注於大規模部署機器學習算法和深度學習算法以及處理大數據的技巧。
3.書中關注通用的基本概念，這些概念即使在工具改變時也保持不變。
4.本書提供了代碼文件和示例數據集，並推薦了很多實用的學習資源。讀者可跟著書中的示例來操作，並在此基礎上探索新的解決方案。

介紹機器學習與深度學習的基礎知識與前沿動態
提出收集數據和管理數據的新方法，以處理更大的數據集
探討人工智能如何適應快速迭代的現代軟件開發流程
介紹雲計算、容器和CaaS，以及如何將應用程序作為微服務部署在Kubernetes中
介紹機器學習模型生命周期，以及如何將其部署到邊緣設備

本書從實踐的角度，介紹了如何使用基於Python的Keras庫和TensorFlow框架開發機器學習模型和深度學習模型，以及如何使用Kubernetes將其部署到生產環境中。書中討論了許多流行的算法；展示了如何使用它們來構建繫統；包含有大量注釋的代碼示例，以便讀者理解並重現這些示例；使用了一個深度學習模型的示例來讀取圖像，並對流行品牌的標識進行分類，然後將該模型部署在分布式集群上，以處理大量的客戶端請求。附錄中提供了一些圖書和網站，這些參考資料涵蓋了本書沒有完全涵蓋的項目的細節。

達塔拉·拉奧（Dattaraj Rao） 目前擔任Persistent Systems公司的創新與研發架構師，並領導該公司的人工智能研究實驗室。曾任印度班加羅爾通用電氣公司（GE）的首席架構師，在GE工作了19年，通過GE獲得了11項專利，是GE認證的分析工程師。他曾主導運輸業務的分析和人工智能戰略，構建工業物聯網解決方案，推動預見性維護、機器視覺和數字孿生等技術成果的落地。

【譯者簡介】
崔艷榮，教授，博士，碩士生導師，長江大學計算機科學學院院長。主持和參與各級各類項目20餘項，發表論文30餘篇，其中被EI檢索8篇。主編21世紀高等學校規劃教材《物聯網概論》。輔導學生參加全國計算機仿真大賽，獲全國一等獎1項、二等獎1項、三等獎2項。

詹煒，博士，副教授，長江大學計算機科學學院副院長。主要從事圖像深度學習算法、計算機視覺技術和智能多目標優化算法3個方向的應用研究工作；主持並完成省級項目2項，廳局級項目2項，發表科研論文20餘篇。

楊慧明，就讀於長江大學計算機科學學院。擅長機器學習與數字圖像處理，目前深入學習編譯器和程序動態運行機制。

第 1章 大數據和人工智能1
1．1數據是新石油，人工智能是新電力1
1．1．1機器的崛起3
1．1．2處理能力的指數級增長4
1．1．3一種新的分析方法4
1．1．4是什麼讓人工智能如此特別5
1．2人工智能的應用6
1．2．1基於數據構建分析類型9
1．2．2分析類型：基於應用程序10
1．2．3分析類型：基於決策邏輯14
1．2．4構建分析驅動的繫統15
1．3小結17
第2章 機器學習18
2．1在數據中尋找模式18
2．2炫酷的機器學習社區20
2．3機器學習技術的類型21
2．3．1無監督機器學習21
2．3．2監督機器學習22
2．3．3強化學習24
2．4解決簡單的問題24
2．4．1無監督學習26
2．4．2監督學習：線性回歸29
2．4．3梯度下降優化31
2．4．4梯度下降在線性回歸中的應用33
2．4．5監督學習：分類34
2．5分析更大的數據集39
2．6分類方法的比較43
2．7偏置與方差：欠擬合與過擬合46
2．8強化學習51
2．8．1基於模型的強化學習52
2．8．2無模型強化學習53
2．9小結58
第3章處理非結構化數據59
3．1結構化數據與非結構化數據59
3．2理解圖像61
3．3處理視頻74
3．4處理文本數據75
3．4．1自然語言處理76
3．4．2詞嵌入82
3．5聽聲音87
3．6小結92
第4章使用Keras 進行深度學習93
4．1處理非結構化數據93
4．1．1神經網絡93
4．1．2反向傳播和梯度下降98
4．1．3批量梯度下降與隨機梯度下降99
4．1．4神經網絡架構100
4．2TensorFlow和Keras100
4．3偏置與方差：欠擬合與過擬合105
4．4小結107
第5章高級深度學習108
5．1深度學習模型的崛起108
5．2新型網絡層109
5．2．1卷積層109
5．2．2池化層111
5．2．3dropout層111
5．2．4批歸一化層111
5．3構建時尚商品圖像分類的深度網絡112
5．4卷積神經網絡架構和超參數118
5．5使用預訓練的VGG 模型進行預測120
5．6數據擴充和遷移學習123
5．7真實的分類問題：百事可樂與可口可樂124
5．8遞歸神經網絡133
5．9小結138
第6章前沿深度學習項目140
6．1神經風格遷移140
6．2使用人工智能生成圖像150
6．3利用自編碼器進行信用卡欺詐檢測156
6．4小結165
第7章現代軟件世界中的人工智能166
7．1快速審視現代軟件需求166
7．2人工智能如何適應現代軟件開發168
7．3簡單的Web應用程序169
7．4雲計算的興起170
7．5容器和CaaS174
7．6Kubernetes：基礎架構問題的CaaS解決方案177
7．7小結183
第8章將人工智能模型部署為微服務184
8．1用Docker和Kubernetes構建簡單的微服務184
8．2將人工智能添加到應用程序中188
8．3將應用程序打包為容器192
8．4將Docker鏡像推送到存儲庫197
8．5將應用程序作為微服務部署在Kubernetes中197
8．6小結199
第9章機器學習開發生命周期200
9．1機器學習模型生命周期200
9．1．1步驟1：定義問題，建立基本事實201
9．1．2步驟2：收集、清洗和準備數據202
9．1．3步驟3：構建和訓練模型204
9．1．4步驟4：驗證模型，調整超參數206
9．1．5步驟5：部署到生產中207
9．1．6反饋和模型更新208
9．2邊緣設備上的部署208
9．3小結217
第10章 機器學習平臺218
10．1機器學習平臺關注點218
10．1．1數據獲取219
10．1．2數據清洗222
10．1．3分析用戶界面222
10．1．4模型構建226
10．1．5大規模訓練227
10．1．6超參數調整227
10．1．7自動化部署229
10．1．8日志記錄和監控234
10．2將機器學習平臺整合在一起235
10．3小結235
10．4最後的話236
附錄A237