機器學習系統(tǒng)

第Ⅰ部分 反應式機器學習基礎知識
第1章 學習反應式機器學習
1．1 機器學習系統(tǒng)的一個示例
1．1．1 構(gòu)建原型系統(tǒng)
1．1．2 建立更好的系統(tǒng)
1．2 反應式機器學習
1．2．1 機器學習
1．2．2 反應式系統(tǒng)
1．2．3 使機器學習系統(tǒng)具有反應性
1．2．5 何時不使用反應式機器學習
1．3 本章小結(jié)
第2章 使用反應式工具
2．1 Scala 一種反應式語言
2．1．1 對Scala中的不確定性做出反應
2．1．2 時間的不確定性
2．2 Akka，一個反應式工具包
2．2．1 actor模型
2．2．2 使用Akka確?；貜椥?br />2．3 Spark，一個反應式的
大數(shù)據(jù)框架
2．4 本章小結(jié)
第Ⅱ部分 構(gòu)建反應式機器學習系統(tǒng)
第3章 收集數(shù)據(jù)
3．1 感知不確定數(shù)據(jù)
3．2 收集大規(guī)模數(shù)據(jù)
3．2．1 維護分布式系統(tǒng)中的狀態(tài)
3．2．2 了解數(shù)據(jù)收集
3．3 持久化數(shù)據(jù)
3．3．1 彈性和回彈性數(shù)據(jù)庫
3．3．2 事實數(shù)據(jù)庫
3．3．3 查詢持久化事實
3．3．4 了解分布式事實數(shù)據(jù)庫
3．4 應用
3．5 反應性
3．6 本章小結(jié)
第4章 生成特征
4．1 Spark ML
4．2 提取特征
4．3 轉(zhuǎn)換特征
4．3．1 共同特征轉(zhuǎn)換
4．3．2 轉(zhuǎn)換概念
4．4 選擇特征
4．5 構(gòu)造特征代碼
4．5．1 特征生成器
4．5．2 特征集的組成
4．6 應用
4．7 反應性
4．8 本章小結(jié)
第5章 學習模型
5．1 實現(xiàn)學習算法
5．1．1 貝葉斯建模
5．1．2 實現(xiàn)樸素貝葉斯
5．2 使用MLlib
5．2．1 構(gòu)建ML管道
5．2．2 演化建模技術(shù)
5．3 構(gòu)建外觀模式
5．4 反應性
5．5 本章小結(jié)
第6章 評估模型
6．1 檢測欺詐
6．2 測試數(shù)據(jù)
6．3 模型度量
6．4 測試模型
6．5 數(shù)據(jù)泄漏
6．6 記錄起源
6．7 反應性
6．8 本章小結(jié)
第7章 發(fā)布模型
7．1 農(nóng)業(yè)的不確定性
7．2 持久化模型
7．3 服務模型
7．3．1 微服務
7．3．2 Akka HTTP
7．4 容器化應用
7．5 反應性
7．6 本章小結(jié)
第8章 響應
8．1 以海龜?shù)乃俣纫苿?br />8．2 用任務構(gòu)建服務
8．3 預測交通
8．4 處理失敗
8．5 構(gòu)建響應系統(tǒng)
8．6 反應性
8．7 本章小結(jié)
第Ⅲ部分 操作機器學習系統(tǒng)
第9章 交付
9．1 運送水果
9．2 構(gòu)建和打包
9．3 構(gòu)建管道
9．4 評估模型
9．5 部署
9．6 反應性
9．7 本章小結(jié)
第10章 演化智能
10．1 聊天
10．2 人工智能
10．3 反射代理
10．4 智能代理
10．5 學習代理
10．6 反應式學習代理
10．6．1 反應原則
10．6．2 反應策略
10．6．3 反應式機器學習
10．7 反應性
10．7．1 庫
10．7．2 系統(tǒng)數(shù)據(jù)
10．8 反應性探索
10．8．1 用戶
10．8．2 系統(tǒng)維度
10．8．3 應用反應原則
10．9 本章小結(jié)
附錄