构建实时机器学习系统PDF|Epub|txt|kindle电子书版本下载

构建实时机器学习系统PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1部分 实时机器学习方法论2

第1章 实时机器学习综述2

1.1什么是机器学习2

1.2机器学习发展的前世今生3

1.2.1历史上机器学习无法调和的难题3

1.2.2现代机器学习的新融合4

1.3机器学习领域分类5

1.4实时是个“万灵丹”6

1.5实时机器学习的分类7

1.5.1硬实时机器学习7

1.5.2软实时机器学习7

1.5.3批实时机器学习8

1.6实时应用对机器学习的要求8

1.7案例：Netflix在机器学习竞赛中学到的经验9

1.7.1 Netflix用户信息被逆向工程9

1.7.2 Netflix最终胜出者模型无法在生产环境中使用9

1.8实时机器学习模型的生存期10

第2章 实时监督式机器学习12

2.1什么是监督式机器学习12

2.1.1“江湖门派”对预测模型的不同看法13

2.1.2工业界的学术门派14

2.1.3实时机器学习实战的思路15

2.2怎样衡量监督式机器学习模型16

2.2.1统计量的优秀16

2.2.2应用业绩的优秀20

2.3实时线性分类器介绍20

2.3.1广义线性模型的定义20

2.3.2训练线性模型21

2.3.3冷启动问题22

第3章 数据分析工具Pandas23

3.1颠覆R的Pandas23

3.2 Pandas的安装24

3.3利用Pandas分析实时股票报价数据24

3.3.1外部数据导入25

3.3.2数据分析基本操作25

3.3.3可视化操作26

3.3.4秒级收盘价变化率初探28

3.4数据分析的三个要点30

3.4.1不断验证假设30

3.4.2全面可视化，全面监控化30

第4章 机器学习工具Scikit-learn31

4.1如何站在风口上？向Scikit-learn学习31

4.1.1传统的线下统计软件R31

4.1.2底层软件黑盒子Weka32

4.1.3跨界产品Scikit-learn33

4.1.4 Scikit-learn的优势33

4.2 Scikit-learn的安装34

4.3 Scikit-learn的主要模块35

4.3.1监督式、非监督式机器学习35

4.3.2建模函数fit和predict36

4.3.3数据预处理38

4.3.4自动化建模预测Pipeline39

4.4利用Scikit-learn进行股票价格波动预测40

4.4.1数据导入和预处理41

4.4.2编写专有时间序列数据预处理模块41

4.4.3利用Pipeline进行建模43

4.4.4评价建模效果43

4.4.5引入成交量和高维交叉项进行建模44

4.4.6本书没有告诉你的45

第2部分 实时机器学习架构48

第5章 实时机器学习架构设计48

5.1设计实时机器学习架构的四个要点48

5.2 Lambda架构和主要成员49

5.2.1实时响应层49

5.2.2快速处理层50

5.2.3批处理层50

5.3常用的实时机器学习架构50

5.3.1瀑布流架构50

5.3.2并行响应架构51

5.3.3实时更新模型混合架构52

5.4小结53

第6章 集群部署工具Docker55

6.1 Docker的前世今生55

6.2容器虚拟机的基本组成部分56

6.3 Docker引擎命令行工具57

6.3.1 Docker引擎的安装57

6.3.2 Docker引擎命令行的基本操作58

6.4通过Dockerfile配置容器虚拟机61

6.4.1利用Dockerfile配置基本容器虚拟机62

6.4.2利用Dockerfile进行虚拟机和宿主机之间的文件传输62

6.5服务器集群配置工具Docker Compose64

6.5.1 Docker Compose的安装64

6.5.2 Docker Compose的基本操作64

6.5.3利用Docker Compose创建网页计数器集群65

6.6远端服务器配置工具Docker Machine68

6.6.1 Docker Machine的安装68

6.6.2安装Oracle VirtualBox69

6.6.3创建和管理VirtualBox中的虚拟机69

6.6.4在Docker Machine和VirtualBox的环境中运行集群70

6.6.5利用Docker Machine在Digital Ocean上配置运行集群71

6.7其他有潜力的Docker工具73

第7章 实时消息队列和RabbitMQ74

7.1实时消息队列74

7.2 AMQP和RabbitMQ简介76

7.3 RabbitMQ的主要构成部分76

7.4常用交换中心模式78

7.4.1直连结构78

7.4.2扇形结构78

7.4.3话题结构79

7.4.4报头结构79

7.5消息传导设计模式79

7.5.1任务队列80

7.5.2 Pub／Sub发布／监听80

7.5.3远程命令81

7.6利用Docker快速部署RabbitMQ82

7.7利用RabbitMQ开发队列服务85

7.7.1准备案例材料86

7.7.2实时报价存储服务86

7.7.3实时走势预测服务89

7.7.4整合运行实验93

7.7.5总结和改进95

第8章 实战数据库综述98

8.1 SQL与NoSQL，主流数据库分类98

8.1.1关系型数据库99

8.1.2非关系型数据库NoSQL99

8.2数据库的性能100

8.2.1耐分割100

8.2.2一致性101

8.2.3可用性101

8.2.4 CAP定理101

8.3 SQL和NoSQL对比102

8.3.1数据存储、读取方式102

8.3.2数据库的扩展方式103

8.3.3性能比较103

8.4数据库的发展趋势103

8.4.1不同数据库之间自动化同步更为方便103

8.4.2云数据库的兴起104

8.4.3底层和应用层多层化104

8.5 MySQL简介105

8.6 Cassandra简介105

8.6.1 Cassandra交互方式简介105

8.6.2利用Docker安装Cassandra106

8.6.3使用Cassandra存储数据106

第9章 实时数据监控ELK集群107

9.1 Elasticsearch、 LogStash和Kibana的前世今生107

9.1.1 Elasticsearch的平凡起家108

9.1.2 LogStash卑微的起源108

9.1.3 Kibana惊艳登场109

9.1.4 ELK协同作战109

9.2 Elasticsearch基本架构109

9.2.1文档110

9.2.2索引和文档类型111

9.2.3分片和冗余112

9.2.4 Elasticsearch和数据库进行比较113

9.3 Elasticsearch快速入门113

9.3.1用Docker运行Elasticsearch容器虚拟机113

9.3.2创建存储文档、文档类型和索引114

9.3.3搜索文档117

9.3.4对偶搜索120

9.4 Kibana快速入门124

9.4.1利用Docker搭建ELK集群125

9.4.2配置索引格式127

9.4.3交互式搜索128

9.4.4可视化操作129

9.4.5实时检测面板132

第10章 机器学习系统设计模式134

10.1设计模式的前世今生134

10.1.1单机设计模式逐渐式微134

10.1.2微服务取代设计模式的示例135

10.1.3微服务设计模式的兴起137

10.2读：高速键值模式137

10.2.1问题场景137

10.2.2解决方案138

10.2.3其他使用场景139

10.3读：缓存高速查询模式139

10.3.1问题场景139

10.3.2解决方案139

10.3.3适用场景141

10.4更新：异步数据库更新模式141

10.4.1问题场景141

10.4.2解决方案141

10.4.3使用场景案例142

10.5更新：请求重定向模式144

10.5.1问题场景144

10.5.2解决方案144

10.5.3更新流程145

10.5.4使用场景案例146

10.6处理：硬实时并行模式146

10.6.1问题场景146

10.6.2解决方案147

10.6.3使用场景案例147

10.7处理：分布式任务队列模式148

10.7.1问题场景148

10.7.2解决方案149

10.7.3 Storm作为分布式任务队列150

10.7.4适用场景151

10.7.5结构的演进152

10.8处理：批实时处理模式152

10.8.1问题场景152

10.8.2解决方案152

10.8.3适用场景153

第3部分 未来展望156

第11章Serverless架构156

11.1 Serverless架构的前世今生156

11.2 Serverless架构对实时机器学习的影响157

第12章 深度学习的风口159

12.1深度学习的前世今生159

12.2深度学习的难点161

12.3如何选择深度学习工具161

12.3.1与现有编程平台、技能整合的难易程度162

12.3.2此平台除做深度学习之外，还能做什么163

12.3.3深度学习平台的成熟程度164

12.4未来发展方向165