人工智能B2B落地實戰：基於雲和Python的商用解決方案 Productionizing AI: How to Deliver AI B2B Solutions with Cloud and Python

簡 明 目 錄

第1章 AI與AI生態系統簡介 1

第2章 AI最佳實踐和DataOps 35

第3章 AI的數據獲取 63

第4章 雲機器學習 91

第5章 神經網絡與深度學習 109

第6章 AutoML、AutoAI與NoLo UI 155

第7章 AI全棧：應用開發 173

第8章 AI案例研究 203

第9章 部署AI解決方案（生產化與容器化） 239

第10章 自然語言處理 263

 

 

 

詳 細 目 錄

第1章 AI與AI生態系統簡介 1

1.1 AI生態系統 2

1.1.1 技術成熟度曲線 2

1.1.2 歷史背景 2

1.1.3 與AI相關的一些定義 3

1.1.4 AI的現狀 4

1.1.5 什麽是人工智能 6

1.1.6 雲計算 6

1.1.7 CSP都提供什麽 7

1.1.8 更廣泛的AI生態系統 8

1.1.9 全棧AI 8

1.1.10 AI倫理和風險：問題和顧慮 9

1.2 AI的應用 11

1.2.1 機器學習 12

1.2.2 深度學習 12

1.2.3 自然語言處理 14

1.2.4 認知機器人流程自動化 15

1.2.5 其他AI應用 15

1.3 數據獲取與AI管道 18

1.3.1 AI工程 18

1.3.2 什麽是數據管道 19

1.3.3 提取、轉換和加載（ETL） 19

1.3.4 數據整理 20

1.3.5 性能基準測試 21

1.3.6 AI流水線自動化：AutoAI 21

1.4 神經網絡和深度學習 22

1.4.1 機器學習 23

1.4.2 什麽是神經網絡 24

1.4.3 簡單感知器 24

1.4.4 深度學習 25

1.4.5 神經網絡：術語 26

1.4.6 深度學習工具 27

1.5 AI的生產化 29

1.5.1 計算和存儲 29

1.5.2 雲服務提供商（CSP） 30

1.5.3 容器化 31

小結 34

第2章 AI最佳實踐和DataOps 35

2.1 DataOps和MLOps入門 36

2.1.1 關於DataOps 36

2.1.2 數據工廠 36

2.1.3 從DataOps到MLOps：AI的問題 37

2.1.4 企業級AI 38

2.2 敏捷開發 40

2.2.1 敏捷團隊和協作 40

2.2.2 開發/產品沖刺 41

2.2.3 敏捷的好處 42

2.2.4 適應性 42

2.3 代碼存儲庫 45

2.3.1 關於Git和GitHub 45

2.3.2 版本控制 46

2.3.3 分支和合並 46

2.3.4 Git工作流 47

2.4 持續集成和持續交付（CI/CD） 50

2.4.1 DataOps中的CI/CD 51

2.4.2 Jenkins簡介 51

2.4.3 項目管理工具Maven 52

2.4.4 容器化 53

2.5 測試、性能評估和監控 55

2.5.1 Selenium框架 55

2.5.2 TestNG測試框架 56

2.5.3 問題管理 57

2.5.4 監控和警報 58

小結 62

第3章 AI的數據獲取 63

3.1 數據獲取簡介 64

3.1.1 數據獲取：當下的挑戰 64

3.1.2 AI階梯 64

3.1.3 雲架構/雲堆棧 65

3.1.4 定期（OLAP）與流式（OLTP）數據 66

3.1.5 API 67

3.1.6 數據類型（結構化與非結構化） 68

3.1.7 文件類型 68

3.2 用於AI的數據存儲 71

3.2.1 數據存儲：數據湖和數據倉庫 72

3.2.2 確定項目數據需求的範圍 73

3.2.3 OLTP/OLAP：確定最佳方法 73

3.2.4 ETL與ELT 74

3.2.5 SQL與NoSQL數據庫 75

3.2.6 彈性與可擴展性 76

3.3 數據獲取的雲服務 77

3.3.1 雲端（SQL）數據倉庫 77

3.3.2 數據湖存儲 78

3.3.3 流處理和流分析 80

3.4 數據管道編排：最佳實踐 82

3.4.1 存儲考慮因素 82

3.4.2 數據獲取計劃 83

3.4.3 構建交付管道 85

小結 89

第4章 雲機器學習 91

4.1 機器學習基礎 92

4.2 監督式機器學習 92

4.2.1 分類和回歸 92

4.2.2 時間序列預測 93

4.3 無監督機器學習 94

4.3.1 聚類 94

4.3.2 降維 95

4.4 半監督機器學習 96

4.5 機器學習的實施 97

4.6 探索性數據分析 97

4.7 數據整理 98

4.7.1 特徵工程 99

4.7.2 混洗和數據分割/拆分 100

4.7.3 採樣 101

4.8 算法建模 102

4.9 性能基準測試 104

4.10 模型選擇、部署和推理 107

4.11 強化學習 108

小結 108

第5章 神經網絡與深度學習 109

5.1 深度學習簡介 110

5.1.1 什麽是深度學習 110

5.1.2 為什麽現在是深度學習的時代 111

5.1.3 AI與深度學習的炒作周期 111

5.1.4 高級架構 113

5.2 隨機過程 114

5.2.1 生成式模型與判別式模型 115

5.2.2 隨機游走 115

5.2.3 馬爾可夫鏈和馬爾可夫過程 115

5.2.4 其他隨機過程：鞅 116

5.3 神經網絡簡介 117

5.3.1 人工神經網絡 117

5.3.2 簡單感知器 118

5.3.3 多層感知器 119

5.3.4 捲積神經網絡 120

5.3.5 循環神經網絡 120

5.3.6 長短期記憶網絡 121

5.3.7 其他類型的神經網絡 122

5.4 深度學習工具 128

5.4.1 用於深度學習的工具 128

5.4.2 TensorFlow 128

5.4.3 Keras 129

5.4.4 PyTorch 129

5.4.5 其他重要的深度學習工具 130

5.5 深度學習和實現的框架 131

5.5.1 張量 131

5.5.2 TensorFlow的關鍵概念 132

5.5.3 深度學習建模生命周期 132

5.5.4 順序和函數模型API 133

5.5.5 實現捲積神經網絡 134

5.5.6 實現循環神經網絡 136

5.5.7 神經網絡：術語 138

5.5.8 計算多層神經網絡的輸出 138

5.6 深度學習模型調優 141

5.6.1 激活函數 141

5.6.2 梯度下降和反向傳播 143

5.6.3 反向傳播 144

5.6.4 其他優化算法 144

5.6.5 損失函數 145

5.6.6 提高深度學習性能 146

5.6.7 深度學習最佳實踐：超參數 147

小結 152

第6章 AutoML、AutoAI與NoLo UI 155

6.1 機器學習：過程回顧 157

6.2 全局搜索算法 158

6.3 基於Python的自動化庫 159

6.3.1 PyCaret 159

6.3.2 auto-sklearn 160

6.3.3 Auto-WEKA 160

6.3.4 TPOT 161

6.4 AutoAI工具和平臺 162

6.4.1 IBM Cloud Pak for Data 163

6.4.2 Azure ML 164

6.4.3 Google Cloud Vertex AI 165

6.4.4 Google Cloud Composer 165

6.4.5 AWS SageMaker Autopilot 166

6.4.6 TensorFlow Extended (TFX) 166

小結 167

第7章 AI全棧：應用開發 173

7.1 AI應用開發簡介 174

7.1.1 開發AI解決方案 174

7.1.2 AI應用——啟動並運行 175

7.1.3 API和終結點 175

7.1.4 分佈式處理和集群 176

7.1.5 虛擬環境 179

7.2 AI開發的軟件和工具 182

7.2.1 數據和雲是AI不可或缺的 182

7.2.2 雲平臺 184

7.2.3 基於Python的用戶界面 187

7.2.4 其他AI軟件供應商 189

7.3 ML應用 193

7.3.1 開發機器學習應用 193

7.3.2 客戶體驗 194

7.3.3 欺詐檢測和網絡安全 195

7.3.4 運營管理、決策和業務支持 195

7.3.5 風險管理、投資組合和資產優化 195

7.4 深度學習應用 197

7.4.1 開發深度學習應用程序 198

7.4.2 深度學習的關鍵應用 199

小結 202

第8章 AI案例研究 203

8.1 行業案例研究 204

8.1.1 對AI的企業/組織需求 204

8.1.2 AI的使能器 204

8.1.3 按垂直行業劃分AI解決方案 204

8.1.4 AI用例：解決方案框架 205

8.1.5 解決方案架構 206

8.1.6 電信解決方案 207

8.1.7 實時儀表板 209

8.1.8 情緒分析 210

8.1.9 預測性分析 212

8.1.10 從Python連接到Twitter API 212

8.1.11 零售行業的解決方案 214

8.1.12 銀行和金融服務/金融科技的解決方案 219

8.1.13 供應鏈的解決方案 224

8.2 石油和天然氣/能源和公用事業解決方案 227

8.3 醫療和制藥行業的解決方案 229

8.3.1 醫療行業：AI的鴻溝 229

8.3.2 醫療和制藥行業的解決方案 229

8.4 人力資源解決方案 230

8.4.1 人力資源領域的現狀 230

8.4.2 示例人力資源解決方案 231

8.5 其他案例研究 233

8.5.1 公共部門和政府 233

8.5.2 製造業 234

8.5.3 網絡安全 235

8.5.4 保險/車聯網 235

8.5.5 法律 236

小結 237

第9章 部署AI解決方案（生產化與容器化） 239

9.1 AI應用中的生產化 240

9.1.1 生產的典型障礙 240

9.1.2 雲/CSP輪盤 241

9.1.3 使AI的挑戰簡單化：從小處著手，專註於特定領域 242

9.2 AI項目生命周期 245

9.2.1 從設計思維到敏捷開發 245

9.2.2 通過假設驅動的開發 245

9.2.3 協作、測試、度量、重復 246

9.2.4 持續的過程改進 247

9.2.5 數據漂移 248

9.2.6 自動化再訓練 248

9.3 啟用工程和基礎設施 250

9.3.1 AI生態系統：AI雲堆棧 250

9.3.2 數據湖部署：最佳實踐 251

9.3.3 數據管道運營化和編排 252

9.4 大數據引擎和並行化 253

9.5 全棧與容器化：最後的疆域 256

9.5.1 全棧AI：React和Flask案例研究 257

9.5.2 使用Docker容器在雲端部署 257

9.5.3 實現持續交付流水線 258

小結 259

第10章 自然語言處理 263

10.1 NLP簡介 264

10.1.1 NLP的基礎 264

10.1.2 NLP的歷史背景和發展 265

10.1.3 NLP的目標和特定領域的用例 265

10.1.4 NLP的生命周期 266

10.2 預處理和語言學 270

10.2.1 預處理/初始清理 270

10.2.2 語言學和數據轉換 271

10.2.3 語法分析 272

10.2.4 語義分析 275

10.3 NLP中的文本向量化、詞嵌入和建模 277

10.3.1 基於規則/頻率的嵌入 278

10.3.2 詞嵌入/基於預測的嵌入 280

10.3.3 NLP建模 281

10.4 NLP的工具和應用 287

10.4.1 Python庫 287

10.4.2 自然語言處理的應用 288

10.4.2 NLP 2.0 289

小結 292

結語 295

後記 297