| 失效链接处理 |
|
机器学习即服务 将Python机器学习创意快速转变为云端Web应用程序 PDF 下载
下载地址：
版权归出版社和原作者所有，链接已删除，请购买正版
用户下载说明：
电子版仅供预览，下载后24小时内务必删除，支持正版，喜欢的请购买正版书籍：
https://product.dangdang.com/27884991.html
相关截图：  资料简介： 本书涵盖Kubernetes架构、部署、核心资源类型、系统扩缩容、存储卷、网络插件与网络本书由浅入深地介绍了一系列常见的Python数据科学问题。书中介绍的实践项目简单明了，可作为模板快速启动其他类似项目。通过本书，你将学习如何构建一个Web应用程序以进行数值或分类预测，如何理解文本分析，如何创建强大的交互界面，如何对数据访问进行安全控制，以及如何利用Web插件实现信用卡付款和捐赠。 每章都遵循三个步骤：以正确的方式建模，设计和开发本地Web应用程序，部署到流行且可靠的无服务器计算云平台（亚马逊、微软、谷歌和PythonAnywhere）上。本书各章之间是独立的，你可以根据需求跳转至特定主题。 资料目录： 前言 第1章 无服务器计算介绍1 1.1 一个简单的本地Flask应用程序1 1.2 在微软Azure上使用无服务器计算4 1.2.1 操作步骤5 1.2.2 结论和附加信息12 1.3 在谷歌云上使用无服务器计算12 1.3.1 操作步骤13 1.3.2 结论和附加信息18 1.4 在Amazon AWS上使用无服务器计算19 1.4.1 操作步骤19 1.4.2 结论和附加信息24 1.5 在PythonAnywhere上托管应用程序24 1.5.1 操作步骤25 1.5.2 结论和附加信息26 1.6 本章小结26 第2章 在Azure上进行共享单车回归模型智能预测27 2.1 共享单车租赁需求回归系数分析28 2.2 探索共享单车原始数据集28 2.2.1 下载UCI机器学习库数据集29 2.2.2 Jupyter Notebook配置使用29 2.2.3 数据集探索31 2.2.4 预测结果变量分析33 2.2.5 量化特征与租赁统计34 2.2.6 分类特征研究35 2.3 数据建模准备工作36 2.3.1 回归建模37 2.3.2 简单线性回归37 2.3.3 简单线性回归模型37 2.4 特征工程试验39 2.4.1 多项式建模39 2.4.2 创建分类数据虚拟特征40 2.4.3 非线性模型试验41 2.4.4 使用时间序列复杂特征42 2.5 简约模型44 2.5.1 简单模型中的回归系数提取44 2.5.2 R-Squared44 2.5.3 基于回归系数的新数据预测46 2.6 共享单车租赁需求交互式Web应用设计48 2.6.1 代码可读性与扩展性摘要48 2.6.2 构建本地Flask应用49 2.6.3 下载运行GitHub共享单车代码50 2.6.4 Web应用程序调试实践51 2.7 在微软Azure上运行Web应用程序54 2.7.1 使用Git托管项目代码54 2.7.2 微软Azure命令行接口工具使用56 2.7.3 资源清理59 2.7.4 故障排查60 2.7.5 步骤回顾62 2.8 Web应用程序脚本及技术分析62 2.8.1 main.py文件分析63 2.8.2 /static/文件夹分析64 2.8.3 /templates/index.html文件及脚本分析64 2.9 本章小结66 2.10 附加资源66 第3章 在GCP上基于逻辑回归实现实时智能67 3.1 规划Web应用68 3.2 数据处理68 3.2.1 处理分类型数据71 3.2.2 从分类型数据创建虚拟特征75 3.3 建模75 3.3.1 训练和测试数据集拆分76 3.3.2 逻辑回归77 3.3.3 预测幸存率78 3.4 准备上云78 3.4.1 函数startup()79 3.4.2 函数submit_new_profile()79 3.4.3 使用HTML表单实现交互79 3.4.4 创建动态图像80 3.4.5 下载Titanic代码81 3.5 部署到谷歌云上82 3.5.1 Google App Engine82 3.5.2 在Google App Engine上进行部署83 3.5.3 问题排查86 3.5.4 收尾工作87 3.6 代码回顾87 3.6.1 main.py87 3.6.2 app.yaml88 3.6.3 appengine_config.py文件与lib文件夹89 3.6.4 requirements.txt89 3.7 步骤回顾90 3.8 本章小结90 第4章 在AWS上使用Gradient Boosting Machine进行预训练91 4.1 Web应用程序规划92 4.2 探索葡萄酒品质数据集92 4.3 处理不平衡的类别95 4.4 使用Gradient Boosting Classifier97 4.4.1 评估模型98 4.4.2 持久化模型101 4.4.3 新数据预测101 4.5 设计Web应用程序以交互评估葡萄酒品质103 4.6 Ajax—服务器端动态Web渲染104 4.7 在虚拟环境中工作：一个方便实验、更加安全和纯净的沙箱104 4.8 AWS Elastic Beanstalk105 4.8.1 为Elastic Beanstalk创建一个访问账户106 4.8.2 Elastic Beanstalk108 4.8.3 EB Command Line Interface108 4.8.4 修复WSGIApplication-Group110 4.8.5 创建EB应用程序111 4.8.6 查看应用程序111 4.9 资源清理112 4.10 步骤回顾114 4.11 故障排查115 4.11.1 查看日志115 4.11.2 SSH登录到实例115 4.12 本章小结116 第5章 案例研究1：在Web和移动浏览器上预测股票市场117 5.1 配对交易策略118 5.2 下载和准备数据119 5.2.1 准备数据120 5.2.2 股票代码透视121 5.3 价格市场数据扩展121 5.4 绘制价差122 5.5 交易理念123 5.5.1 寻找案例123 5.5.2 提供交易建议124 5.6 计算交易股数125 5.7 设计一个移动友好的Web应用程序提供交易建议127 5.8 运行本地Flask应用程序128 5.9 表单验证130 5.10 在PythonAnywhere上运行应用程序130 5.11 修复WSGI文件133 5.11.1 源代码133 5.11.2 WSGI配置133 5.11.3 重新加载网站134 5.12 PythonAnywhere故障排查135 5.13 本章小结136 第6章 基于Azure和Google地图的犯罪行为预测137 6.1 Web应用程序规划138 6.2 探索旧金山犯罪热图数据集138 6.2.1 数据清洗139 6.2.2 数据重分布140 6.2.3 周数据探索142 6.3 数据特征工程142 6.3.1 创建年度月份汇总数据特征143 6.3.2 创建时段数据特征144 6.3.3 时段特征数据集探索145 6.4 地理数据可视化146 6.4.1 地理坐标位置绘制146 6.4.2 地理坐标近似值区块创建147 6.5 基于历史数据的犯罪预测149 6.6 Google地图152 6.7 热力图层153 6.8 犯罪数据在Google地图上的应用154 6.9 犯罪预测数据自定义提取155 6.10 设计Web应用程序156 6.10.1 添加Goo |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
