批量上传,套装书可能不全,下单前咨询在线客服!有特殊要求,下单前请咨询客服!
¥ 37.67 3.8折 ¥ 98 全新
库存4件
作者瓦利阿帕·拉克什曼南
出版社中国电力出版社
ISBN9787519840136
出版时间2020-03
装帧平装
开本16开
定价98元
货号28524465
上书时间2024-10-24
在本书中,你将学到:
使用App Engine应用实现自动化定期数据摄取。
在Google Data Studio中创建并生成数据仪表板。
构建实时数据分析管道,实现流式数据分析。
使用Google BigQuery实现可交互式数据探索。
在Cloud Dataproc群集上创建贝叶斯模型。
使用Spark构建逻辑回归机器学习模型。
使用Cloud Dataflow数据管道计算时间聚合特征。
使用TensorFlow构建高性能预测模型。
将你的模型部署为微服务,并且从批处理和实时数据管道中使用它。
Valliappa Lakshmanan是Google云计算平台专家服务部门的技术主管。他希望将机器学习普及化,让任何人、从任何地方,在无需深入了解统计学、编程知识,也无需购买大量硬件的情况下使用Google云平台提供的卓越架构。
目录 前言 1 第 1 章 用数据做出更好的决策 9 许多相似的决策 11 数据工程师的角色 12 云计算让数据工程师成为可能 14 云计算使数据科学能力得到倍增 18 用案例研究揭示难解的真相 20 基于概率的决策 21 数据和工具 27 代码入门 28 本章总结 30 第 2 章 将数据摄取到云端 31 航空公司准点数据 31 可知性 33 训练 – 服务偏差 34 下载程序 35 数据集属性36 为什么不就地存储数据? 38 向上扩展 40 水平扩展 42 使用 Colossus 和 Jupiter 让数据存放在原位 44 摄取数据 47 对 Web 表单进行反向工程 48 下载数据集51 数据探索和清理 53 将数据上传到 Google 云端存储 55 每月下载计划 58 使用 Python 摄取数据 61 Flask Web App 68 在 App Engine 上运行 69 确保 URL 的安全 70 计划 Cron 任务 70 本章总结 73 代码实验 74 第 3 章 创建引人注目的仪表板 76 使用数据仪表板对模型进行解释 77 为什么要先构建数据仪表板? 79 准确、忠实于数据且良好的设计 80 将数据加载到 Google Cloud SQL 83 创建 Google Cloud SQL 实例 83 与 Google 云计算平台交互84 控制对 MySQL 的访问 86 创建表 87 向表中填充数据 89 建立个模型 90 应急表 91 阈值优化 92 机器学习 93 构建数据仪表板 94 Data Studio 入门 94 创建图表 96 为终用户添加控件 98 用饼图显示所占比例 100 解释应急表105 本章总结 107 第 4 章 流数据:发布和摄取 109 设计事件馈送 109 时间校正 112 Apache Beam/Cloud Dataflow 113 解析机场数据 115 添加时区信息 116 将时间转换为 UTC 117 修正日期 120 创建事件 121 在云中运行数据管道 122 将事件流发布到 Cloud Pub/Sub 126 获取要发布的数据记录 129 对数据记录进行分页 130 构建事件集合 130 发布事件集合 131 实时流式处理 132 Java Dataflow 中的流式数据 133 执行流数据处理 138 使用 BigQuery 分析流式数据 140 实时数据仪表板 141 本章总结 144 第 5 章 交互式数据探索 145 探索性数据分析 146 将航班数据加载到 BigQuery 中 148 无服务器列式数据库的优点 148 访问控制 151 联合查询 156 摄取 CSV 文件 158 Cloud Datalab 中的探索性数据分析 164 Jupyter 笔记本 165 Cloud Datalab 166 在 Cloud Datalab 中安装软件包 169 适用于 Google 云计算平台的 Jupyter 魔术命令 170 质量控制 176 反常的数值176 清除异常数据:大数据是不同的 178 不同出发延误条件下的抵达延误 182 概率决策阈值的应用 184 经验概率分布函数 185 答案 187 评估模型 188 随机乱序分组 188 按日期分割189 训练和测试191 本章总结 196 第 6 章 Cloud Dataproc上的 贝叶斯分类器 197 MapReduce 和 Hadoop 生态系统 197 MapReduce 的工作原理 198 Apache Hadoop 200 Google Cloud Dataproc200 需要更高级的工具 202 关注任务,而不是集群 204 初始化操作205 使用 Spark SQL 进行量化 206 Cloud Dataproc 上的 Google Cloud Datalab 208 使用 BigQuery 进行独立检查 209 Google Cloud Datalab 中的 Spark SQL 211 直方图均衡化 215 动态调整群集大小 219 使用 Pig 实现贝叶斯分类 222 在 Cloud Dataproc 上运行 Pig 任务 224 将日期限制在训练数据集中 225 决策标准 226 对贝叶斯模型进行评估 229 本章总结 231 第 7 章 机器学习:Spark上的逻辑回归 233 逻辑回归 234 Spark 机器学习库 237 开始使用 Spark 机器学习 238 Spark 逻辑回归 239 创建训练数据集 241 处理边界情况 243 创建训练示例 245 训练 246 使用模型进行预测 249 对模型进行评估 250 特征工程 253 实验框架 254 创建保留数据集 257 特性点的选择 258 特征点的缩放和剪切 261 特征转换 263 变量分类 267 可扩展、可重复和实时性 269 本章总结 270 第 8 章 时间窗化的聚合特征 272 平均时间的需求 272 Java 中的 Dataflow 274 建立开发环境 275 使用 Beam 过滤数据 276 数据管道的控制选项和文本 I/O 280 在云端运行281 解析为对象283 计算平均时间 286 分组及合并286 并行执行和侧面输入 289 调试 291 BigQueryIO 292 对航班对象进行转换 294 批处理模式下的滑动窗口计算 295 在云端运行297 监控、故障排除和性能调整 299 数据管道的故障排除 301 侧面输入的限制 302 重新设计数据管道 305 删除重复项307 本章总结 310 第 9 章 使用TensorFlow的 机器学习分类器 312 使用更复杂的模型 313 将数据读入 TensorFlow 317 建立实验 322 线性分类器323 训练和评估的输入函数 325 服务输入函数 326 创建实验 326 执行训练 327 云中的分布式训练 329 对 ML 模型进行改进 331 深度神经网络模型 332 嵌入 335 宽深模型 337 超参数调整341 部署模型 349 使用模型预测 350 对该模型的解释 351 本章总结 353 第 10章 实时机器学习 355 调用预测服务 356 用于服务请求和响应的 Java 类357 发送请求并解析响应 359 预测服务的客户端 360 将预测结果添加到航班信息 361 批量输入和输出 361 数据处理管道 363 识别无效的服务响应 364 批量处理服务请求 365 流式数据管道 367 扁平化 PCollections 368 执行流式数据管道 369 延迟的和无序的数据记录 371 水印和触发器 376 事务,吞吐量和延迟 378 几种可选的流式接收器 379 Cloud Bigtable 380 设计表 382 设计行键 383 流式传输至 Cloud Bigtable 384 查询 Cloud Bigtable 中的数据 386 评估模型的性能 387 持续训练的必要性 388 评估管道 389 性能评估 391 边际分布 391 检查模型的行为 393 识别行为变化 396 本章总结 398 全书总结 398 附录 有关机器学习数据集中敏感数据的注意事项 401 |
在本书中,你将学到:
使用App Engine应用实现自动化定期数据摄取。
在Google Data Studio中创建并生成数据仪表板。
构建实时数据分析管道,实现流式数据分析。
使用Google BigQuery实现可交互式数据探索。
在Cloud Dataproc群集上创建贝叶斯模型。
使用Spark构建逻辑回归机器学习模型。
使用Cloud Dataflow数据管道计算时间聚合特征。
使用TensorFlow构建高性能预测模型。
将你的模型部署为微服务,并且从批处理和实时数据管道中使用它。
Valliappa Lakshmanan是Google云计算平台专家服务部门的技术主管。他希望将机器学习普及化,让任何人、从任何地方,在无需深入了解统计学、编程知识,也无需购买大量硬件的情况下使用Google云平台提供的卓越架构。
— 没有更多了 —
以下为对购买帮助不大的评价