失效链接处理 |
机器学习(fn)x?Python机器学习(fn)创意快速{变ؓ(f)云端Web应用E序 PDF 下蝲
下蝲地址Q?/strong>
版权归出版社和原作者所有,链接已删除,误买正?br style="padding: 0px; margin: 0px;" />
用户下蝲说明Q?/strong>
?sh)子版仅供预览,下蝲?4时内务必删除,支持正版Q喜Ƣ的误买正版书c:(x)
https://product.dangdang.com/27884991.html
相关截图Q?br /> ![]() 资料介:(x) 本书늛Kubernetes架构、部|Ӏ核心资源类型、系l扩~容、存储卷、网l插件与|络本书由浅入深Cl了一pd常见?/span>Python数据U学问题。书中介l的实践目单明了,可作为模板快速启动其他类似项目。通过本书Q你学?fn)如何构Z?/span>Web应用E序以进行数值或分类预测Q如何理解文本分析,如何创徏强大的交互界面,如何Ҏ(gu)据访问进行安全控Ӟ以及如何利用Web插g实现信用卡付?gu)Ƒ֒捐赠?/span> 每章都遵循三个步骤:(x)以正的方式建模Q设计和开发本?/span>Web应用E序Q部|到行且可靠的无服务器计算云^収ͼ亚马逊、微软、谷歌和PythonAnywhereQ上。本书各章之间是独立的,你可以根据需求蟩转至特定主题?/span> 资料目录Q?br /> 前言 W?章 无服务器计算介绍1 1.1 一个简单的本地Flask应用E序1 1.2 在微软Azure上用无服务器计? 1.2.1 操作步骤5 1.2.2 l论和附加信?2 1.3 在谷歌云上用无服务器计?2 1.3.1 操作步骤13 1.3.2 l论和附加信?8 1.4 在Amazon AWS上用无服务器计?9 1.4.1 操作步骤19 1.4.2 l论和附加信?4 1.5 在PythonAnywhere上托应用程?4 1.5.1 操作步骤25 1.5.2 l论和附加信?6 1.6 本章结26 W?章 在Azure上进行共享单车回归模型智能预?7 2.1 ׃n单RU赁需求回归系数分?8 2.2 探烦׃n单R原始数据?8 2.2.1 下蝲UCI机器学习(fn)库数据集29 2.2.2 Jupyter Notebook配置使用29 2.2.3 数据集探?1 2.2.4 预测l果变量分析33 2.2.5 量化特征与租赁统?4 2.2.6 分类特征研究35 2.3 数据建模准备工作36 2.3.1 回归建模37 2.3.2 单线性回?7 2.3.3 单线性回归模?7 2.4 特征工程试验39 2.4.1 多项式徏?9 2.4.2 创徏分类数据虚拟特征40 2.4.3 非线性模型试?1 2.4.4 使用旉序列复杂特征42 2.5 U模?4 2.5.1 单模型中的回归系数提?4 2.5.2 R-Squared44 2.5.3 Z回归pL的新数据预测46 2.6 ׃n单RU赁需求交互式Web应用设计48 2.6.1 代码可读性与扩展性摘?8 2.6.2 构徏本地Flask应用49 2.6.3 下蝲q行GitHub׃n单R代码50 2.6.4 Web应用E序调试实践51 2.7 在微软Azure上运行W(xu)eb应用E序54 2.7.1 使用Git托管目代码54 2.7.2 微YAzure命o(h)行接口工具?6 2.7.3 资源清理59 2.7.4 故障排查60 2.7.5 步骤回顾62 2.8 Web应用E序脚本及技术分?2 2.8.1 main.py文g分析63 2.8.2 /static/文g夹分?4 2.8.3 /templates/index.html文g及脚本分?4 2.9 本章结66 2.10 附加资源66 W?章 在GCP上基于逻辑回归实现实时67 3.1 规划Web应用68 3.2 数据处理68 3.2.1 处理分类型数?1 3.2.2 从分cd数据创徏虚拟特征75 3.3 建模75 3.3.1 训练和测试数据集拆分76 3.3.2 逻辑回归77 3.3.3 预测q存?8 3.4 准备上云78 3.4.1 函数startup()79 3.4.2 函数submit_new_profile()79 3.4.3 使用HTML表单实现交互79 3.4.4 创徏动态图?0 3.4.5 下蝲Titanic代码81 3.5 部v到谷歌云?2 3.5.1 Google App Engine82 3.5.2 在Google App Engine上进行部|?3 3.5.3 问题排查86 3.5.4 收尾工作87 3.6 代码回顾87 3.6.1 main.py87 3.6.2 app.yaml88 3.6.3 appengine_config.py文g与lib文g?9 3.6.4 requirements.txt89 3.7 步骤回顾90 3.8 本章结90 W?章 在AWS上用Gradient Boosting Machineq行预训l?1 4.1 Web应用E序规划92 4.2 探烦葡萄酒品质数据集92 4.3 处理不^衡的cd95 4.4 使用Gradient Boosting Classifier97 4.4.1 评估模型98 4.4.2 持久化模?01 4.4.3 新数据预?01 4.5 设计Web应用E序以交互评估葡萄酒品质103 4.6 Ajax—服务器端动态Web渲染104 4.7 在虚拟环境中工作Q一个方便实验、更加安全和U净的沙?04 4.8 AWS Elastic Beanstalk105 4.8.1 为Elastic Beanstalk创徏一个访问̎?06 4.8.2 Elastic Beanstalk108 4.8.3 EB Command Line Interface108 4.8.4 修复WSGIApplication-Group110 4.8.5 创徏EB应用E序111 4.8.6 查看应用E序111 4.9 资源清理112 4.10 步骤回顾114 4.11 故障排查115 4.11.1 查看日志115 4.11.2 SSHd到实?15 4.12 本章结116 W?章 案例研究1Q在Web和移动浏览器上预股市?17 5.1 配对交易{略118 5.2 下蝲和准备数?19 5.2.1 准备数据120 5.2.2 股票代码透视121 5.3 h市场数据扩展121 5.4 l制价差122 5.5 交易理念123 5.5.1 L案例123 5.5.2 提供交易124 5.6 计算交易股数125 5.7 设计一个移动友好的Web应用E序提供交易127 5.8 q行本地Flask应用E序128 5.9 表单验证130 5.10 在PythonAnywhere上运行应用程?30 5.11 修复WSGI文g133 5.11.1 源代?33 5.11.2 WSGI配置133 5.11.3 重新加蝲|站134 5.12 PythonAnywhere故障排查135 5.13 本章结136 W?章 ZAzure和Google地图的犯|行为预?37 6.1 Web应用E序规划138 6.2 探烦旧金q|热图数据集138 6.2.1 数据清洗139 6.2.2 数据重分?40 6.2.3 周数据探?42 6.3 数据特征工程142 6.3.1 创徏q度月䆾汇L据特?43 6.3.2 创徏时段数据特征144 6.3.3 时段特征数据集探?45 6.4 地理数据可视?46 6.4.1 地理坐标位置l制146 6.4.2 地理坐标q似值区块创?47 6.5 Z历史数据的犯|预?49 6.6 Google地图152 6.7 热力囑ֱ153 6.8 犯罪数据在Google地图上的应用154 6.9 犯罪预测数据自定义提?55 6.10 设计Web应用E序156 6.10.1 dGoo |