1..本书为软件开发人员和数据科学家而写，详细说明了如何构建Keras模型以在Kubernetes集群上扩展和部署，介绍了从模型到生产的整个过程，并专注于大规模部署机器学习算法和深度学习算法以及处理大数据的技巧。
3.书中关注通用的基本概念，这些概念即使在工具改变时也保持不变。
4.本书提供了代码文件和示例数据集，并推荐了很多实用的学习资源。读者可跟着书中的示例来操作，并在此基础上探索新的解决方案。

介绍机器学习与深度学习的基础知识与前沿动态
提出收集数据和管理数据的新方法，以处理更大的数据集
探讨人工智能如何适应快速迭代的现代软件开发流程
介绍云计算、容器和CaaS，以及如何将应用程序作为微服务部署在Kubernetes中
介绍机器学习模型生命周期，以及如何将其部署到边缘设备

本书从实践的角度，介绍了如何使用基于Python的Keras库和TensorFlow框架开发机器学习模型和深度学习模型，以及如何使用Kubernetes将其部署到生产环境中。书中讨论了许多流行的算法；展示了如何使用它们来构建系统；包含有大量注释的代码示例，以便读者理解并重现这些示例；使用了一个深度学习模型的示例来读取图像，并对流行品牌的标识进行分类，然后将该模型部署在分布式集群上，以处理大量的客户端请求。附录中提供了一些图书和网站，这些参考资料涵盖了本书没有完全涵盖的项目的细节。

达塔拉·拉奥（Dattaraj Rao） 目前担任Persistent Systems公司的创新与研发架构师，并领导该公司的人工智能研究实验室。曾任印度班加罗尔通用电气公司（GE）的首席架构师，在GE工作了19年，通过GE获得了11项专利，是GE认证的分析工程师。他曾主导运输业务的分析和人工智能战略，构建工业物联网解决方案，推动预见性维护、机器视觉和数字孪生等技术成果的落地。

【译者简介】
崔艳荣，教授，博士，硕士生导师，长江大学计算机科学学院院长。主持和参与各级各类项目20余项，发表论文30余篇，其中被EI检索8篇。主编21世纪高等学校规划教材《物联网概论》。辅导学生参加全国计算机仿真大赛，获全国一等奖1项、二等奖1项、三等奖2项。

詹炜，博士，副教授，长江大学计算机科学学院副院长。主要从事图像深度学习算法、计算机视觉技术和智能多目标优化算法3个方向的应用研究工作；主持并完成省级项目2项，厅局级项目2项，发表科研论文20余篇。

杨慧明，就读于长江大学计算机科学学院。擅长机器学习与数字图像处理，目前深入学习编译器和程序动态运行机制。

第 1章 大数据和人工智能　1
1．1　数据是新石油，人工智能是新电力　1
1．1．1　机器的崛起　3
1．1．2　处理能力的指数级增长　4
1．1．3　一种新的分析方法　4
1．1．4　是什么让人工智能如此特别　5
1．2　人工智能的应用　6
1．2．1　基于数据构建分析类型　9
1．2．2　分析类型：基于应用程序　10
1．2．3　分析类型：基于决策逻辑　14
1．2．4　构建分析驱动的系统　15
1．3　小结　17
第　2章 机器学习　18
2．1　在数据中寻找模式　18
2．2　炫酷的机器学习社区　20
2．3　机器学习技术的类型　21
2．3．1　无监督机器学习　21
2．3．2　监督机器学习　22
2．3．3　强化学习　24
2．4　解决简单的问题　24
2．4．1　无监督学习　26
2．4．2　监督学习：线性回归　29
2．4．3　梯度下降优化　31
2．4．4　梯度下降在线性回归中的应用　33
2．4．5　监督学习：分类　34
2．5　分析更大的数据集　39
2．6　分类方法的比较　43
2．7　偏置与方差：欠拟合与过拟合　46
2．8　强化学习　51
2．8．1　基于模型的强化学习　52
2．8．2　无模型强化学习　53
2．9　小结　58
第3章　处理非结构化数据　59
3．1　结构化数据与非结构化数据　59
3．2　理解图像　61
3．3　处理视频　74
3．4　处理文本数据　75
3．4．1　自然语言处理　76
3．4．2　词嵌入　82
3．5　听声音　87
3．6　小结　92
第4章　使用Keras 进行深度学习　93
4．1　处理非结构化数据　93
4．1．1　神经网络　93
4．1．2　反向传播和梯度下降　98
4．1．3　批量梯度下降与随机梯度下降　99
4．1．4　神经网络架构　100
4．2　TensorFlow和Keras　100
4．3　偏置与方差：欠拟合与过拟合　105
4．4　小结　107
第5章　高级深度学习　108
5．1　深度学习模型的崛起　108
5．2　新型网络层　109
5．2．1　卷积层　109
5．2．2　池化层　111
5．2．3　dropout层　111
5．2．4　批归一化层　111
5．3　构建时尚商品图像分类的深度网络　112
5．4　卷积神经网络架构和超参数　118
5．5　使用预训练的VGG 模型进行预测　120
5．6　数据扩充和迁移学习　123
5．7　真实的分类问题：百事可乐与可口可乐　124
5．8　递归神经网络　133
5．9　小结　138
第6章　前沿深度学习项目　140
6．1　神经风格迁移　140
6．2　使用人工智能生成图像　150
6．3　利用自编码器进行信用卡欺诈检测　156
6．4　小结　165
第7章　现代软件世界中的人工智能　166
7．1　快速审视现代软件需求　166
7．2　人工智能如何适应现代软件开发　168
7．3　简单的Web应用程序　169
7．4　云计算的兴起　170
7．5　容器和CaaS　174
7．6　Kubernetes：基础架构问题的CaaS解决方案　177
7．7　小结　183
第8章　将人工智能模型部署为微服务　184
8．1　用Docker和Kubernetes构建简单的微服务　184
8．2　将人工智能添加到应用程序中　188
8．3　将应用程序打包为容器　192
8．4　将Docker镜像推送到存储库　197
8．5　将应用程序作为微服务部署在Kubernetes中　197
8．6　小结　199
第9章　机器学习开发生命周期　200
9．1　机器学习模型生命周期　200
9．1．1　步骤1：定义问题，建立基本事实　201
9．1．2　步骤2：收集、清洗和准备数据　202
9．1．3　步骤3：构建和训练模型　204
9．1．4　步骤4：验证模型，调整超参数　206
9．1．5　步骤5：部署到生产中　207
9．1．6　反馈和模型更新　208
9．2　边缘设备上的部署　208
9．3　小结　217
第　10章 机器学习平台　218
10．1　机器学习平台关注点　218
10．1．1　数据获取　219
10．1．2　数据清洗　222
10．1．3　分析用户界面　222
10．1．4　模型构建　226
10．1．5　大规模训练　227
10．1．6　超参数调整　227
10．1．7　自动化部署　229
10．1．8　日志记录和监控　234
10．2　将机器学习平台整合在一起　235
10．3　小结　235
10．4　最后的话　236
附录A　237