"如果正在構建用於小規模使用的機器學習模型，那麼本書不太適合你。但是，如果你是開發人員，正在構建需要快速響應的、可靠的且具有良好用戶體驗的產品級ML應用程序，那麼本書再適合不過。本書涵蓋機器學習繫統的原理和實踐，這些原理和實踐非常容易運行和維護，而且對用戶來說具有良好的可靠性。《機器學習繫統》教你設計和實現可用於產品的ML繫統。在使用Spark構建管道、使用Akka創建高度可伸縮的服務，以及在大量數據集上使用強大的機器學習庫(如MLib)時，你將學習反應式設計的原則。這些例子是使用Scala等

●第Ⅰ部分 反應式機器學習基礎知識第1章 學習反應式機器學習 31.1 機器學習繫統的一個示例 41.1.1 構建原型繫統 41.1.2 建立更好的繫統 61.2 反應式機器學習 71.2.1 機器學習 71.2.2 反應式繫統 121.2.3 使機器學習繫統具有反應性 151.2.5 何時不使用反應式機器學習 191.3 本章小結 19第2章 使用反應式工具 212.1 Scala，一種反應式語言 222.1.1 對Scala中的不確定性做出反應 232.1.2 時間的不確定性 242.2 Akka，一個反應式工具包 272.2.1 actor模型 272.2.2 使用Akka確保回彈性 292.3 Spark，一個反應式的大數據框架 322.4 本章小結 37第Ⅱ部分 構建反應式機器學習繫統第3章 收集數據 413.1 感知不確定數據 423.2 收集大規模數據 453.2.1 維護分布式繫統中的狀態 453.2.2 了解數據收集 503.3 持久化數據 503.3.1 彈性和回彈性數據庫 513.3.2 事實數據庫 523.3.3 查詢持久化事實 543.3.4 了解分布式事實數據庫 593.4 應用 633.5 反應性 643.6 本章小結 64第4章 生成特征 674.1 Spark ML 684.2 提取特征 694.3 轉換特征 724.3.1 共同特征轉換 744.3.2 轉換概念 764.4 選擇特征 774.5 構造特征代碼 794.5.1 特征生成器 794.5.2 特征集的組成 834.6 應用 864.7 反應性 874.8 本章小結 88第5章 學習模型 895.1 實現學習算法 905.1.1 貝葉斯建模 925.1.2 實現樸素貝葉斯 945.2 使用MLlib 985.2.1 構建ML管道 995.2.2 演化建模技術 1035.3 構建外觀模式 1055.4 反應性 1115.5 本章小結 112第6章 評估模型 1136.1 檢測欺詐 1146.2 測試數據 1156.3 模型度量 1186.4 測試模型 1236.5 數據洩漏 1256.6 記錄起源 1266.7 反應性 1286.8 本章小結 128第7章 發布模型 1297.1 農業的不確定性 1307.2 持久化模型 1307.3 服務模型 1357.3.1 微服務 1357.3.2 Akka HTTP 1367.4 容器化應用 1387.5 反應性 1417.6 本章小結 142第8章 響應 1438.1 以海龜的速度移動 1448.2 用任務構建服務 1448.3 預測交通 1468.4 處理失敗 1518.5 構建響應繫統 1558.6 反應性 1568.7 本章小結 157第Ⅲ部分 操作機器學習繫統第9章 交付 1619.1 運送水果 1619.2 構建和打包 1629.3 構建管道 1649.4 評估模型 1659.5 部署 1659.6 反應性 1689.7 本章小結 168第10章 演化智能 16910.1 聊天 16910.2 人工智能 17010.3 反射代理 17110.4 智能代理 17210.5 學習代理 17410.6 反應式學習代理 17710.6.1 反應原則 17710.6.2 反應策略 17810.6.3 反應式機器學習 17810.7 反應性 17810.7.1 庫 17910.7.2 繫統數據 17910.8 反應性探索 18110.8.1 用戶 18210.8.2 繫統維度 18210.8.3 應用反應原則 18310.9 本章小結 184附錄 185

主要內容？ 使用Spark、MLlib和Akka？ 反應式設計模式？ 監控和維護大型繫統？ 特征、actor和監督讀者需要具備Java或Scala中級技能，但不需要有機器學習經驗。

[美]傑夫·史密斯Jeff Smith 著；潘海為，張春新 譯 著 潘海為//張春新 譯

我的整個職業生涯都在處理數據。根據興趣，隨著職業生涯的發展，我一直致力於研究越來越復雜的繫統，並將重點放在機器學習和人工智能繫統上。當我的工作內容從更傳統的數據倉庫類型的任務發展到構建機器學習繫統時，我被一種奇怪的缺失所震驚。當我主要使用數據庫時，可以依賴豐富的學術和專業文獻，了解如何構建與它們交互的數據庫和應用程序，以幫助定義良好的設計。所以，讓我感到困惑和驚訝的是，機器學習作為一個領域通常缺乏這種指導。除了模型學習算法外，沒有任何規範的實現。需要建立的繫統中有很大一部分在文獻中被掩蓋了。通常，我甚至無法為給定的繫統組件找到一致的名稱，因此我和我的同事們不可避免地會在術語選擇上相互混淆。我想要的是一個框架，類似於機器學習的Ruby on Rails，但似乎沒有這樣的框架 。除了一個普遍接受的框架，我至少想要一些明確的設計模式來構建機器學習繫統，但遺憾的是，當時還沒有用於機器學習繫統的等