Python 機器學習建模與部署 -- 從 Keras到 Kubernetes (Keras to Kubernetes: The Journey of a Machine Learning Model to Production)

达塔拉·拉奥（Dattaraj Rao） 目前担任Persistent Systems公司的创新与研发架构师，并领导该公司的人工智能研究实验室。曾任印度班加罗尔通用电气公司（GE）的首席架构师，在GE工作了19年，通过GE获得了11项专利，是GE认证的分析工程师。他曾主导运输业务的分析和人工智能战略，构建工业物联网解决方案，推动预见性维护、机器视觉和数字孪生等技术成果的落地。

【译者简介】

崔艳荣，教授，博士，硕士生导师，长江大学计算机科学学院院长。主持和参与各级各类项目20余项，发表论文30余篇，其中被EI检索8篇。主编21世纪高等学校规划教材《物联网概论》。辅导学生参加全国计算机仿真大赛，获全国一等奖1项、二等奖1项、三等奖2项。

詹炜，博士，副教授，长江大学计算机科学学院副院长。主要从事图像深度学习算法、计算机视觉技术和智能多目标优化算法3个方向的应用研究工作；主持并完成省级项目2项，厅局级项目2项，发表科研论文20余篇。

杨慧明，就读于长江大学计算机科学学院。擅长机器学习与数字图像处理，目前深入学习编译器和程序动态运行机制。

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　是什麽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　構建分析驅動的系統　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
4.2　TensorFlow和Keras　100
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　捲積層　109
5.2.2　池化層　111
5.2.3　dropout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　捲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CaaS　174
7.6　Kubernetes：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　機器學習平臺關註點　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　日誌記錄和監控　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A　237