●部分场景化机器学习
章机器学习如何应用于业务2
1．1为什么我们的业务系统如此糟糕3
1．2为什么如今自动化很重要5
1．2．1什么是生产率6
1．2．2机器学习如何提高生产率6
1．3机器如何做出决策7
1．3．1人：是否基于规则7
1．3．2你能相信一个基于模式的答案吗8
1．3．3机器学习如何能提升你的业务系统8
1．4机器能帮Karen做决策吗9
1．4．1目标变量10
1．4．2特征10
1．5机器如何学习10
1．6在你的公司落实使用机器学习进行决策13
1．7工具14
1．7．1AWS和SageMaker是什么，它们如何帮助你14
1．7．2Jupyter笔记本是什么15
1．8配置SageMaker为解决第2~7章中的场景做准备15
1．9是时候行动了16
1．10小结16
第二部分公司机器学六个场景
第2章你是否应该将采购订单发送给技术审批人18
2．1决策18
2．2数据19
2．3开始你的训练过程20
2．4运行Jupyter笔记本并进行预测21
2．4．1部分：加载并检查数据24
2．4．2第二部分：将数据转换为正确的格式27
2．4．3第三部分：创建训练集、验证集和测试集30
2．4．4第四部分：训练模型32
2．4．5第五部分：部署模型33
2．4．6第六部分：测试模型34
2．5删除端点并停止你的笔记本实例35
2．5．1删除端点36
2．5．2停止笔记本实例37
2．6小结38
第3章你是否应该致电客户以防客户流失39
3．1你在决策什么40
3．2处理流程40
3．3准备数据集41
3．3．1转换操作1：标准化数据42
3．3．2转换操作2：计算周与周之间的变化43
3．4XGBoost基础43
3．4．1XGBoost的工作原理43
3．4．2机器学习模型如何确定函数的AUC的好坏45
3．5准备构建模型47
3．5．1将数据集上传到S347
3．5．2在SageMaker上设置笔记本48
3．6构建模型49
3．6．1部分：加载并检查数据50
3．6．2第二部分：将数据转换为正确的格式52
3．6．3第三部分：创建训练集、验证集和测试集53
3．6．4第四部分：训练模型55
3．6．5第五部分：部署模型57
3．6．6第六部分：测试模型57
3．7删除端点并停止笔记本实例60
3．7．1删除端点60
3．7．2停止笔记本实例60
3．8检查以确保端点已被删除60
3．9小结61
第4章你是否应该将事件上报给支持团队62
4．1你在决策什么62
4．2处理流程63
4．3准备数据集63
4．4NLP65
4．4．1生成词向量65
4．4．2决定每组包含多少单词67
4．5BlazingText及其工作原理68
4．6准备构建模型69
4．6．1将数据集上传到S369
4．6．2在SageMaker上设置笔记本70
4．7构建模型70
4．7．1部分：加载并检查数据71
4．7．2第二部分：将数据转换为正确的格式74
4．7．3第三部分：创建训练集和验证集76
4．7．4第四部分：训练模型77
4．7．5第五部分：部署模型79
4．7．6第六部分：测试模型79
4．8删除端点并停止你的笔记本实例80
4．8．1删除端点80
4．8．2停止笔记本实例80
4．9检查以确保端点已被删除81
4．10小结81
第5章你是否应该质疑商发送给你的发票82
5．1你在决策什么82
5．2处理流程84
5．3准备数据集85
5．4什么是异常86
5．5监督机器学习与无监督机器学习87
5．6随机裁剪森林及其工作原理88
5．6．1样本188
5．6．2样本290
5．7准备构建模型94
5．7．1将数据集上传到S394
5．7．2在SageMaker上设置笔记本94
5．8构建模型95
5．8．1部分：加载并检查数据96
5．8．2第二部分：将数据转换为正确的格式99
5．8．3第三部分：创建训练集和验证集100
5．8．4第四部分：训练模型100
5．8．5第五部分：部署模型101
5．8．6第六部分：测试模型102
5．9删除端点并停止笔记本实例104
5．9．1删除端点104
5．9．2停止笔记本实例104
5．10检查以确保端点已被删除105
5．11小结105
第6章预测你公司的每月能耗106
6．1你在决策什么106
6．1．1时间序列数据介绍107
6．1．2Kiara的时间序列数据：每日能耗109
6．2加载处理时间序列数据的Jupyter笔记本109
6．3准备数据集：绘制时间序列数据111
6．3．1通过循环展示数据列113
6．3．2创建多个图表114
6．4神经网络是什么116
6．5准备构建模型116
6．5．1将数据集上传到S3117
6．5．2在SageMaker上设置笔记本117
6．6构建模型117
6．6．1部分：加载并检查数据118
6．6．2第二部分：将数据转换为正确的格式119
6．6．3第三部分：创建训练集和测试集122
6．6．4第四部分：训练模型125
6．6．5第五部分：部署模型128
6．6．6第六部分：进行预测并绘制结果128
6．7删除端点并停止你的笔记本实例132
6．7．1删除端点133
6．7．2停止笔记本实例133
6．8检查以确保端点已被删除133
6．9小结134
第7章优化你公司的每月能耗预测135
7．1DeepAR对周期性事件的处理能力135
7．2DeepAR的大优势：整合相关的时间序列137
7．3整合额外的数据集到Kiara的能耗模型137
7．4准备构建模型138
7．4．1下载我们准备的笔记本138
7．4．2在SageMaker上设置文件夹139
7．4．3将笔记本上传到SageMaker139
7．4．4从S3存储桶下载数据集139
7．4．5在S3上创建文件夹以保存你的数据139
7．4．6将数据集上传到你的AWS存储桶139
7．5构建模型140
7．5．1部分：设置笔记本140
7．5．2第二部分：导入数据集141
7．5．3第三部分：将数据转换为正确的格式143
7．5．4第四部分：创建训练集和测试集145
7．5．5第五部分：配置模型并设置服务器以构建模型147
7．5．6第六部分：进行预测并绘制结果151
7．6删除端点并停止你的笔记本实例154
7．6．1删除端点154
7．6．2停止笔记本实例154
7．7检查以确保端点已被删除154
7．8小结155
第三部分将机器学习应用到生产环境中
第8章通过Web提供预测服务158
8．1为什么通过Web提供决策和预测服务这么难158
8．2本章的步骤概述159
8．3SageMaker端点159
8．4设置SageMaker端点160
8．4．1上传笔记本161
8．4．2上传数据163
8．4．3运行笔记本并创建端点165
8．5设置无服务器API端点166
8．5．1在AWS账户上设置AWS证书167
8．5．2在本地计算机上设置AWS证书168
8．5．3配置证书169
8．6创建Web端点170
8．6．1安装Chalice171
8．6．2创建HelloWorldAPI172
8．6．3添加为SageMaker端点提供服务的代码173
8．6．4配置权限175
8．6．5更新requirements．txt文件176
8．6．6部署Chalice176
8．7提供决策服务176
8．8小结177
第9章案例研究179
9．1案例研究1：WorkPac180
9．1．1项目设计181
9．1．2阶段：准备并测试模型181
9．1．3第二阶段：实施POC183
9．1．4第三阶段：将流程嵌入公司的运营中183
9．1．5接下来的工作183
9．1．6吸取的教训183
9．2案例研究2：Faethm184
9．2．1AI核心184
9．2．2使用机器学习优化Faethm公司的流程184
9．2．3阶段：获取数据185
9．2．4第二阶段：识别特征186
9．2．5第三阶段：验证结果186
9．2．6第四阶段：应用到生产环境中186
9．3结论187
9．3．1观点1：建立信任187
9．3．2观点2：正确获取数据187
9．3．3观点3：设计操作模式以充分利用机器学习能力187
9．3．4观点4：在各个方面都使用了机器学习后，你的公司看起来怎么样187
9．4小结188
附录A注册AWS189
附录B设置并使用S3以存储文件195
附录C设置并使用AWSSageMaker来构建机器学统204
附录D停止全部服务208
附录E安装Python211