●贊譽
譯者序
前言
致謝
作者簡介
部分 實用人工智能基礎
章 實用人工智能簡介2
1.1 Python功能介紹3
1.1.1 程序語句4
1.1.2 字符串和字符串格式化6
1.1.3 數字與算術運算8
1.1.4 數據結構10
1.1.5 函數12
1.2 在Python中使用控制結構19
1.2.1 for循環20
1.2.2 while循環21
1.2.3 if/else語句21
1.2.4 生成器表達式22
1.2.5 列表推導式23
1.2.6 中級主題23
1.3 進一步思考26
第2章 人工智能與機器學習的工具鏈28
2.1 Python數據科學生態繫統：IPython、Pandas、NumPy、Jupyter Notebook、scikit-learn29
2.2 R語言、RStudio、Shiny和ggplot30
2.3 電子表格：Excel和Google表格30
2.4 使用網絡服務開發雲端AI 31
2.5 AWS上的DevOps31
2.5.1 持續交付31
2.5.2 為AWS創建軟件開發環境32
2.5.3 集成Jupyter Notebook38
2.5.4 集成命令行工具41
2.5.5 集成AWS CodePipeline44
2.6 數據科學中的基本Docker容器設置49
2.7 其他構建服務器：Jenkins、CircleCI、Codeship和Travis49
2.8 小結50
第3章 斯巴達式AI生命周期51
3.1 實用生產反饋回路52
3.2 AWS SageMaker55
3.3 AWS Glue反饋回路56
3.4 AWS批處理60
3.5 基於Docker容器的反饋回路62
3.6 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AI66
4.1 Google雲平臺概述67
4.2 Colaboratory合作實驗工具68
4.3 Datalab數據處理工具70
4.3.1 使用Docker和Google容器注冊表擴展Datalab70
4.3.2 使用Datalab啟動強大的機器71
4.4 BigQuery雲數據倉庫73
4.5 Google雲端AI服務76
4.6 雲端TPU和TensorFlow79
4.7 小結82
第5章 使用 Web服務開發雲端AI 83
5.1 在AWS上構建增強現實和虛擬現實解決方案85
5.1.1 計算機視覺：帶有EFS和Flask的AR/VR管道86
5.1.2 帶EFS、Flask和Pandas的數據工程管道88
5.2 小結102
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104
6.1 提出問題104
6.2 收集具有挑戰性的數據源123
6.2.1 收集運動員的Wikipedia頁面訪問量123
6.2.2 收集運動員的Twitter參與度129
6.2.3 探索NBA運動員數據132
6.3 NBA球員的無監督機器學習136
6.3.1 使用R語言對NBA球員執行分面聚類繪圖136
6.3.2 彙總：球隊、球員、影響力和廣告代言138
6.4 更多的實際進階與學習140
6.5 小結141
第7章 使用AWS創建智能的Slack機器人142
7.1 創建機器人142
7.2 將庫轉換為命令行工具143
7.3 使用AWS工作流服務將機器人提升到新水平145
7.4 獲取IAM證書設置146
7.5 建立工作流155
7.6 小結157
第8章 從GitHub組織中尋找項目管理的思考158
8.1 軟件項目管理問題綜述158
8.2 開始創建數據科學項目框架160
8.3 收集和轉換數據162
8.4 與GitHub組織交流1
8.5 創建特定領域的統計信息165
8.6 將數據科學項目連接到CLI客戶端167
8.7 使用Jupyter Notebook探索GitHub 組織169
8.8 查看CPython項目中數據171
8.9 查看CPython項目中的已刪除文件174
8.10 將項目部署到Python包索引庫177
8.11 小結179
第9章 動態優化基於AWS的彈性計算雲（EC2）實例181
9.1 在AWS上運行作業181
9.1.1 EC2 Spot實例181
9.1.2 Spot實例理論和定價歷史182
9.1.3 編寫Spot實例啟動程序191
9.1.4 編寫更復雜的Spot實例啟動程序196
9.2 小結197
0章 房地產數據研究199
10.1 美國房地產價值探索199
10.2 Python中的交互式數據可視化201
10.3 規模等級和價格聚類203
10.4 小結209
1章 用戶生成內容的生產環境AI211
11.1 Netflix獎未在生產中實施212
11.2 推薦繫統的基本概念213
11.3 在Python中使用Surprise 框架213
11.4 推薦繫統的雲解決方案216
11.5 推薦繫統的實際生產問題216
11.6 雲端自然語言處理和情緒分析221
11.6.1  Azure上的NLP221
11.6.2 GCP上的NLP224
11.6.3 AWS上的生產型無服務器NLP AI管道227
11.7 小結233
附錄A AI加速器234
附錄B 聚類大小的選擇236

在Netflix公司曾承辦的一次有名推薦算法比賽中，獲得的團隊因使用了大量模型使得推薦算法的準確率提升了10%，從而獲得了的大獎，但實際上，後期真正付諸實踐的卻是僅提升了8.43%準確率的另一支團隊的改進算法。這一現像背後的原因，閱讀完《人工智能開發實踐：雲端機器學習導論》，你將獲得答案。
務實地解決AI問題需要更多地關注結果而不僅僅是技術。歸根結底，花費數月時間為一些永遠無法投入生產的任務選擇的機器學習算法隻是浪費精力和金錢，更高效的方式是使用雲提供商提供的現成解決方案進行業務開發。
《人工智能開發實踐：雲端機器學習導論》的理念是：不再追求人工智能項目的方案，而是在有限的成本、資源、技術條件下，實現能夠交付於實際生產的解決方案。