Системы машинного обучения. Масштабируемое проектирование

Издательство: Эксмо
Автор: Смит Дж.
ISBN: 978-5-04-099800-5
Страниц: 336
Язык: Русский
Год издания: 2019

 
 
 

Описание книгиСодержаниеДополнительно

Книги по IT. Это руководство посвящено тому, как создавать системы машинного обучения, которые представляют собой наборы программных компонентов, способных извлекать уроки из данных и делать прогнозы. В издании обсуждаются проблемы построения этих систем и предлагаются некоторые подходы к их преодолению. Рассматриваемый пример — это стартап, который пытается создать систему машинного обучения с нуля и находит ее очень, очень сложной. Если вы никогда раньше ее не создавали, то эта задача может показаться вам сложной и немного запутанной. Целью автора является избавление от боли и загадок в этом процессе. Автор не ставит перед собой задачу научить читателей всему, что нужно знать о методах машинного обучения — это заняло бы много книг. Вместо этого материал издания сосредоточен на том, как создать систему, которая может использовать возможности машинного обучения. Читатели познакомятся с принципиально новым и лучшим способом построения систем машинного обучения, который называется реактивное машинное обучение. Реактивное машинное обучение представляет собой сочетание идей реактивных систем и уникальных задач машинного обучения. Понимая принципы, которые управляют этими системами, вы увидите, как создавать более эффективные системы, как программные, так и прогнозирующие.

Авторское право
Краткое содержание
Оглавление
Предисловие
Подтверждения
Об этой книге
Об авторе
О обложке иллюстрации
1. Основы реактивного машинного обучения
Глава 1. Изучение реактивного машинного обучения
1.1. Пример системы машинного обучения
1.1.1. Создание прототипа системы
1.1.2. Создание лучшей системы
1.2. Реактивное машинное обучение
1.2.1. Машинное обучение
1.2.2. Реактивные системы
1.2.3. Создание систем машинного обучения реактивных
1.2.4. Когда не использовать реактивное машинное обучение
Резюме
Глава 2. Использование реактивных инструментов
2.1. Scala, реактивный язык
2.1.1. Реагируя на неопределенность в Scala
2.1.2. Неопределенность времени
2.2. Акка, реактивный инструментарий
2.2.1. Актерская модель
2.2.2. Обеспечение устойчивости с помощью Akka
2.3. Spark, реактивная среда больших данных
Резюме
2. Построение реактивной системы машинного обучения
Глава 3. Сбор данных
3.1. Чувствуя неопределенные данные
3.2. Сбор данных в масштабе
3.2.1. Поддержание состояния в распределенной системе
3.2.2. Понимание сбора данных
3.3. Постоянные данные
3.3.1. Реляционные и распределенные базы данных
3.3.2. Базы данных фактов
3.3.3. Запрашивать постоянные факты
3.3.4. Понимание баз данных распределенных фактов
3.4. Приложения
3.5. Выводы
Резюме
Глава 4. Создание функций
4.1. Spark ML
4.2. Извлечение функций
4,3. Особенности преобразования
4.3.1. Общие черты преобразований
4.3.2. Концепции трансформации
4.4. Выбор функций
4.5. Структурирование кода объекта
4.5.1. Генераторы функций
4.5.2. Состав набора функций
4.6. Приложения
4.7. Выводы
Резюме
Глава 5. Модели обучения
5.1. Реализация алгоритмов обучения
5.1.1. Байесовское моделирование
5.1.2. Реализация Наивного Байеса
5.2. Использование MLlib
5.2.1. Строительство нефтепровода ML
5.2.2. Развивающиеся методы моделирования
5.3. Фасады зданий
5.3.1. Изучение художественного стиля
5.4. Выводы
Резюме
Глава 6. Оценка моделей
6.1. Обнаружение мошенничества
6.2. Хранение данных
6.3. Показатели модели
6.4. Тестирование моделей
6.5. Утечка данных
6.6. Запись происхождения
6.7. Выводы
Резюме
Глава 7. Публикация моделей
7.1. Неопределенность сельского хозяйства
7.2. Постоянные модели
7.3. Обслуживающие модели
7.3.1. Microservices
7.3.2. Акка HTTP
7.4. Контейнерные приложения
7,5. Выводы
Резюме
Глава 8. Доставка
8.1. Двигаясь со скоростью черепах
8.2. Построение сервисов с заданиями
8.3. Прогнозирование трафика
8.4. Ошибка обработки
8,5. Архитектура систем реагирования
8.6. Выводы
Резюме
3. Управление системой машинного обучения
Глава 9. Доставка
9.1. Доставка фруктов
9.2. Сборка и упаковка
9.3. Строить трубопроводы
9.4. Оценка моделей
9.5. Развертывание
9.6. Выводы
Резюме
Глава 10. Развивающийся интеллект
10.1. Чатимся
10.2. Искусственный интеллект
10.3. Рефлекторные агенты
10.4. Интеллектуальные агенты
10.5. Учебные агенты
10.6. Реактивные учебные агенты
10.6.1. Реактивные принципы
10.6.2. Реактивные стратегии
10.6.3. Реактивное машинное обучение
10.7. Выводы
10.7.1. Библиотеки
10.7.2. Системные данные
10.8. Реактивные исследования
10.8.1. Пользователи
10.8.2. Размеры системы
10.8.3. Применение реактивных принципов
Резюме
Начало настройки
Scala
Git код репозитория
SBT
Spark
Couchbase
Docker
Реактивная система машинного обучения
Фазы машинного обучения
Индексы
Список рисунков
Список таблиц
Список литературы

Эта книга состоит из трех частей.

Часть 1 представляет общую мотивацию книги и некоторые инструменты, которые вы будете использовать:
Глава 1 знакомит с машинным обучением, реактивными системами и целями реактивного машинного обучения.
В главе 2 представлены три технологии, используемые в книге: Scala, Spark и Akka.

Часть 2 составляет основную часть книги. Он продвигается компонент за компонентом, помогая вам глубоко понять все, что должна делать система машинного обучения, и как вы можете сделать их лучше, используя реактивные методы:
В главе 3 обсуждаются проблемы сбора данных и их включения в систему машинного обучения. Как часть этого, он вводит различные концепции обработки неопределенных данных. Также подробно рассказывается о том, как сохранить данные, сосредоточив внимание на свойствах распределенных баз данных.
Глава 4 рассказывает о том, как вы можете извлекать функции из необработанных данных, а также о различных способах создания этих функций.
Глава 5 посвящена модели обучения. Вы будете реализовывать свои собственные алгоритмы обучения моделей и использовать библиотечные реализации. Также рассказывается, как работать с модельными алгоритмами обучения других языков.
В главе 6 рассматривается ряд проблем, связанных с оценкой моделей после их изучения.
Глава 7 показывает, как взять изученные модели и сделать их доступными для использования. В целях достижения этой цели в этой главе описывается использование Akka HTTP, микросервисов и контейнеризация через Docker.
Глава 8 посвящена использованию моделей с машинным обучением для работы в реальном мире. Он также представляет альтернативу Akka HTTP для создания сервисов: http4s.

Наконец, в части 3 представлены еще несколько проблем, которые становятся актуальными после того, как вы создали систему машинного обучения, и вам необходимо поддерживать ее в рабочем состоянии и превращать в нечто лучшее:
Глава 9 показывает, как создавать приложения Scala с использованием SBT. Это также вводит понятия от непрерывной поставки.
В главе 10 показано, как создавать искусственно интеллектуальные агенты различных уровней сложности на примере эволюции системы. Он также охватывает больше методов для анализа реактивных свойств системы машинного обучения.


Оригинальное издание книги
Код к книге
Код к книге на github
Книга на amazon
ссылка