SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

1 wynik

Brak okładki

Książka

W koszyku

AI : podejście pragmatyczne : wprowadzenie do uczenia maszynowego opartego na chmurze / Noah Gift ; przekład Marek Włodarz. - Warszawa : APN Promise, 2019. - XIV, [2], 277 stron : ilustracje, wykresy ; 23 cm.

Autor

Gift Noah. Włodarz Marek.

Forma i typ

Książki Publikacje fachowe

Temat

Sztuczna inteligencja Uczenie maszynowe. Przetwarzanie w chmurze

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału : Pragmatic AI : an introduction to cloud-based machine learning.

Na okładce: Addison Wesley - Seria Dane i Analizy.

Indeks.

Część I: Wprowadzenie do pragmatycznej Al 1 1 Pragmatyczne podejście do Al 3 Funkcjonalne wprowadzenie do Pythona 4 Instrukcje proceduralne 5 Drukowanie 5 Tworzenie i używanie zmiennych 5 Wiele instrukcji proceduralnych 6 Obliczenia arytmetyczne 6 Łączenie fraz (tekstów) 6 Złożone instrukcje 6 Ciągi i formatowanie ciągów 7 Liczby i operacje arytmetyczne 10 Struktury danych 11 Słowniki 11 Listy 13 Funkcje 13 Pisanie funkcji 14 Prosta funkcja 14 Dokumentowanie funkcji 14 Argumenty funkcji: pozycyjne lub nazwane 14 Używanie struktur sterujących w Pythonie 22 Pętla for 22 Pętle while 23 if/elif/else 24 Wyrażenie generatora 24 Wyrażenia listowe 25 Zagadnienia pośrednie 26 Tworzenie biblioteki w Pythonie 26 Importowanie biblioteki 26 Instalowanie innych bibliotek przy użyciu pip install Klasy 28 2Narzędzia Al i ML 31 Ekosystem analiz danych w Pythonie: IPython, Pandas, NumPy, Jupyter Notebook, Sklearn 32 R, RStudio, Shiny i ggplot 33 Arkusze kalkulacyjne: Excel oraz Google Sheets 33 Projektowanie rozwiązania chmurowego Al przy użyciu Amazon Web Services 34 DevOpswAWS 34 Ciągłe dostarczanie 35 Tworzenie środowiska projektowania oprogramowania dla AWS 35 Integracja z Jupyter Notebook 42 Integrowanie narzędzi wiersza polecenia 44 Integrowanie narzędzi AWS CodePipeline 48 Konfigurowanie Docker na potrzeby analiz danych 53 Inne serwery kompilacji: Jenkins, Circled oraz Travis 54 3Spartański cykl życia Al 55 Pragmatyczne sprzężenie zwrotne 56 AWSSageMaker 59 Sprzężenie zwrotne AWS Glue 61 AWS Batch 65 Sprzężenia zwrotne oparte na Docker 66 Część II: Al w chmurze 69 4Chmurowe projektowanie Al w Google Cloud Platform 71 Przegląd GCP 72 Colaboratory 73 Datalab 75 Rozszerzanie Datalab przy użyciu Docker i Google Container Registry 75 Uruchamianie wydajnych maszyn przy użyciu Datalab 76 BigQuery 78 Przenoszenie danych do BigQuery z wiersza polecenia 79 Usługi Al w chmurze Google 81 Klasyfikowanie (wielu) ras mojego psa przy użyciu Cloud Vision API 82 Cloud TPU i TensorFlow 84 Uruchamianie MNIST w Cloud TPU 87 5Projektowanie chmurowej Al przy użyciu Amazon Web Services 89 Budowanie rozwiązań rzeczywistości rozszerzonej (AR) i wirtualnej (VR) w AWS 91 Rozpoznawanie obrazów: potoki AR/VR z EFS i Fiask 92 Potok inżynierii danych z wykorzystaniem EFS, Flask i Pandas 94 Część III: Tworzenie praktycznych aplikacji Al 111 6Przewidywanie wpływów mediów społecznościowych w NBA 113 Formułowanie problemu 114 Gromadzenie danych 114 Gromadzenie danych z trudnych źródeł 135 Gromadzenie informacji o wyświetleniach stron Wikipedii dla sportowców 135 Gromadzenie informacji o zaangażowaniu sportowców na Twitterze 140 Przeglądanie danych sportowców NBA 143 Nienadzorowane uczenie maszynowe dotyczące zawodników NBA 147 Tworzenie wykresu kafelkowego w R 148 Zebranie wszystkiego razem: drużyny, zawodnicy, siła i dodatki 150 Kolejne pragmatyczne kroki 152 7Tworzenie inteligentnego slackbota w AWS 153 Tworzenie bota 153 Konwertowanie biblioteki w narzędzie wiersza polecenia 154 Przenoszenie bota na następny poziom przy użyciu funkcji krokowych AWS 156 Konfigurowanie poświadczeń IAM 157 Korzystanie z chalice 157 Budowanie funkcji krokowej 166 8Wyszukiwanie pomysłów na zarządzanie projektami w organizacji GitHub 171 Przegląd problemów związanych z zarządzaniem projektami oprogramowania 171 Pytania do rozważenia 172 Tworzenie wstępnego szkieletu projektu Data Science 173 Zbieranie i transformowanie danych 175 Komunikowanie się z całą organizacją GitHub 177 Tworzenie statystyk specyficznych dla dziedziny 178 Wiązanie projektu Data Science ze środowiskiem wiersza polecenia 180 Wykorzystanie notatnika Jupyter do eksplorowania organizacji 182 Projekt Pallets 182 Przeglądanie metadanych pliku w projekcie CPython 184 Wyszukiwanie usuniętych plików w projekcie CPython 188 Wdrażanie projektu w Python Package Index 191 9 Dynamiczna optymalizacja instancji EC2 w AWS 195 Uruchamianie zadań w AWS 195 Instancje Spot 195 10Nieruchomości 215 Eksplorowanie rynku nieruchomości w Stanach Zjednoczonych 215 Interaktywna wizualizacja danych w Pythonie 217 Grupowanie według rozmiarów i cen 219 11Produkcyjna Al dla treści generowanych przez użytkowników 227 Netflix Prize nie została zaimplementowana w produkcji 228 Kluczowe koncepcje systemów rekomendacji 229 Korzystanie z platformy Surprise w Pythonie 230 Rozwiązania chmurowe dla systemów rekomendacji 232 Problemy świata rzeczywistego w mechanizmach rekomendacji 233 Praktyczne problemy systemów rekomendacji: integracja z produkcyjnymi API 234 Chmurowe NLP i analiza opinii 238 NLPwAzure 238 NLPwGCP 241 Eksplorowanie API jednostek 241 Produkcyjny bezserwerowy potok Al dla NLP w AWS 244 12Akceleratory Al 251 13Wybór liczby grup 253

Sygnatura czytelni BWEAiI: XII Ł 118

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 146928 N (1 egz.)