《Python機器學習建模與部署：從Keras到Kubernetes》資源連結清單

《Python機器學習建模與部署：從Keras到Kubernetes》資源連結清單

為方便讀者查詢，本文彙總了《Python機器學習建模與部署：從Keras到Kubernetes》一書中用到的部分網路資源連結。連結內容可能隨時間變化，請讀者知悉。

前言

需要的工具

• Python網站（https://www.python.org/）
• Jupyter官網（http://jupyter.org）
• Pandas網站（https://pandas.pydata.org/）
• Scikit-Learn網站（https://scikit-learn.org/）
• TensorFlow網站（https://www.tensorflow.org）
• 谷歌Colaboratory網站（https://colab.research.google.com）
• Toolbox網站（https://toolbox.google.com/datasetsearch）

第3章 處理非結構化資料

3.2 理解影像

• Yann Lecun、Corinna Cortes和Christopher J.C. Burges合著的文章“The Minist Database of Handwritten Digits”（http://yann.lecun.com/exdb/mnist）
• OpenCV網站（https://docs.opencv.org/4.0.0/d6/d00/tutorial _ py _ root.html）
• Wikipedia網站的《蒙娜麗莎》的影像（https://en.wikipedia.org/wiki/Mona _ Lisa）
• GitHub 網站OpenCV 頁面（https://github.com/opencv/opencv/tree/master/data/haarcascades）
• 在OpenCV網站搜尋OpenCV-Python Tutorials檢視一些方法的詳細資訊（https://docs.opencv.org/4.0.0/d6/d00/tutorial _ py _ root.html）

3.4 處理文字資料

• NLTK 3.5 documentation網站（https://www.nltk.org）

3.4.2 詞嵌入

• Gensim網站（https://radimrehurek.com/gensim/index.html）
• 在論文“Efficient Estimation of Word Representations in VectorSpace”（https://arxiv.org/pdf/1301.3781.pdf）

第6章 前沿深度學習專案

6.1 神經風格遷移

• GitHub 網站（搜尋Keras-team/Keras）上檢視程式碼（https://github.com/keras-team/keras/blob/master/examples/neural_style_transfer.py）
• 媒體報導“Neural Style Transfer: Creating Art with Deep Learning Using tf.keras and Eager Execution”（https://medium.com/tensorflow/neural-style-transfer-creatingart-with-deep-learning-using-tf-keras-and-eager-execution-7d541ac31398）
• 谷歌Colab Notebook（https://colab.research.google.com/drive/1_tHUYgO_fIBU1JXdn_mXWCDD6n-jLyNSu）

6.3 利用自編碼器進行信用卡欺詐檢測

• 布魯塞爾自由大學（ULB）機器學習小組（http://mlg.ulb.ac.be）

第7章 現代軟體世界中的人工智慧

7.6 Kubernetes：基礎架構問題的CaaS解決方案

• DockerHub（https://hub.docker.com）

第10章 機器學習平臺

10.1 機器學習平臺關注點

• H2O.ai 網站上安裝H2O的步驟（http://h2o-release.s3.amazonaws.com/h2o/rel-xu/1/index.html）

附錄A

第1章 大資料和人工智慧

• GE網站其關於工業物聯網前景的白皮書（https://www.ge.com/docs/chapters/Industrial _ Internet.pdf）
• 文章“What isIndustry 4.0?”（https://www.forbes.com/sites/bernardmarr/2018/09/02/what-is-industry-4-0-heres-a-super-easy-explanation-for-anyone/#2c0bb9af9788）
• 文章“Inside Amazon’s Artificial Intelligence Flywheel—How Deep Learning Came to Power Alexa, Amazon Web Services, and Nearly Every Other Division of the Company”（https://www.wired.com/story/amazon-artificial-intelligence-flywheel）
• CHRISTIE’S 網站的文章“Is Artificial Intelligence Set to Become Art’s Next Medium?”（https://www.christies.com/features/A-collaboration-betweentwo-artists-one-human-one-a-machine-9332-1.aspx）
• THEVERGE 網站的文章“All of These Faces are Fake Celebrities Spawned by AI”（https://www.theverge.com/2017/10/30/16569402/ai-generate-fake-faces-celebs-nvidia-gan）
• 谷歌的Google AI網站（https://ai.google/）
• Facebook的ONNX網站（https://onnx.ai）
• NVIDIA的Deep Learning AI網站（https://www.nvidia.com/en-gb/deep-learning-ai/）
• 英特爾的人工智慧網站（https://software.intel.com/en-us/ai-academy）
• IBM Watson網站（https://www.ibm.com/watson/）
• SalesForce網站（https://www.salesforce.com/products/einstein/overview/）
• H2O.ai網站（https://www.h2o.ai/）

第2章 機器學習

• 吳恩達博士的視訊課程（https://www.coursera.org/learn/machine-learning、 https://www.deeplearning.ai/和https://www.youtube.com/user/StanfordUniversity）
• 谷歌提供的機器學習方面的線上免費速成課程（https://developers.google.com/machine-learning/crash-course/ml-intro）
• ocdevel網站（http://ocdevel.com/mlg）
• Talking Machines網站（https://www.thetalkingmachines.com/）
• SoundCloud網站（https://soundcloud.com/datahack-radio）
• O’Reilly Data Show Podcast（https://soundcloud.com/datahack-radio）
• Analytics Vidhya網站的優秀教程（https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/、https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/、https://www.analyticsvidhya.com/blog/2018/03/comprehensive-collection-deep-learning-datasets/）
• Kaggle網站（https://www.kaggle.com/）

第3章 處理非結構化資料

• OpenCV教程網站（https://docs.opencv.org/3.0-beta/doc/py _ tutorials/py _ tutorials.html）
• Adrian開設的計算機視覺速成課程（https://www.pyimagesearch.com/）
• Scikit-Learn提供的教程（https://scikit-learn.org/stable/tutorial/index.html）
• DZone網站上的文章“NLP Tutorial Using Python NLTK(Simple Examples)”（https://dzone.com/articles/nlp-tutorial-using-python-nltk-simpleexamples）

第4章 使用Keras 進行深度學習

• TensorFlow網站的程式碼測試（https://www.tensorflow.org/tutorials/）
• GitHub網站上一些有用的Keras資源（https://github.com/fchollet/keras-resources）

第5章 高階深度學習

• KDnuggets網站上使用Keras的深度學習文章（https://www.kdnuggets.com/2017/10/seven-stepsdeep-learning-keras.html）

第6章 前沿深度學習專案

• 技術論文“A Neural Algorithm of Artistic Style”（https://arxiv.org/abs/1508.06576）
• RaymondYuan提供的帶有樣本程式碼的神經風格遷移帖子（https://medium.com/tensorflow/neural-style-transfer-creating-artwith-deep-learning-using-tf-keras-and-eager-execution-7d541ac31398）
• 技術論文“Generative Adversarial Networks”（https://arxiv.org/abs/1406.2661）
• Analytics Vidhya網站中含有的關於生成對抗網路的文章（https://www.analyticsvidhya.com/blog/2017/06/introductory-generative-adversarial-networks-gans/）
• 文章“Fraud Detection Using Autoencoders in Keras with a TensorFlow Backend”（https://www.datascience.com/blog/fraud-detection-with-tensorflow）

第7章 現代軟體世界中的人工智慧

• Kubernetes網站提供的關於設定叢集的優秀互動教程（https://kubernetes.io/docs/tutorials/kubernetes-basics/）
• Katacoda網站提供的優秀互動教程（https://www.katacoda.com/courses/kubernetes）

第8章 將人工智慧模型部署為微服務

• Martin Fowler和James Lewis撰寫的有關微服務架構的優秀概述教程（https://martinfowler.com/articles/microservices.html）
• 作者的GitHub倉庫（https://github.com/dattarajrao/keras2kubernetes）

第9章 機器學習開發生命週期

• Mesosphere撰寫的優秀白皮書Design & Build an End-to-End Data Science Platform（https://mesosphere.com/resources/building-data-science-platform/）
• 谷歌雲平臺團隊的在YouTube網站上的視訊“The 7 Steps of Machine Learning”（https://www.youtube.com/watch?v=nKW8Ndu7Mjw）
• 部落格文章“Data Scientists and Deploying Machine Learning into Production— Not a Great Match”（https://blog.algorithmia.com/data-scientists-and-deploying-machinelearning-into-production-not-a-great-match/）

第10章 機器學習平臺

• 部落格“Let’s Flow within Kubeflow”（https://ai.intel.com/lets-flow-within-kubeflow/）
• 文章“Serving ML Quickly with TensorFlow Serving and Docker”（https://medium.com/tensorflow/serving-ml-quickly-with-tensorflowserving-and-docker-7df7094aa008）
• Katacoda關於使用Kubeflow和Kubernetes部署機器學習工作負載的互動式教程（https://www.katacoda.com/kubeflow/scenarios/deploying-kubeflow）