译者序
译者序
译者序
关于作者
关于技术审校者
前言
第1章 无服务器计算介绍
1.1 一个简单的本地Flask应用程序
1.2 在微软Azure上使用无服务器计算
1.2.1 操作步骤
1.2.2 结论和附加信息
1.3 在谷歌云上使用无服务器计算
1.3.1 操作步骤
1.3.2 结论和附加信息
1.4 在Amazon AWS上使用无服务器计算
1.4.1 操作步骤
1.4.2 结论和附加信息
1.5 在PythonAnywhere上托管应用程序
1.5.1 操作步骤
1.5.2 结论和附加信息
1.6 本章小结
第2章 在Azure上进行共享单车回归模型智能预测
2.1 共享单车租赁需求回归系数分析
2.2 探索共享单车原始数据集
2.2.1 下载UCI机器学习库数据集
2.2.2 Jupyter Notebook配置使用
2.2.3 数据集探索
2.2.4 预测结果变量分析
2.2.5 量化特征与租赁统计
2.2.6 分类特征研究
2.3 数据建模准备工作
2.3.1 回归建模
2.3.2 简单线性回归
2.3.3 简单线性回归模型
2.4 特征工程试验
2.4.1 多项式建模
2.4.2 创建分类数据虚拟特征
2.4.3 非线性模型试验
2.4.4 使用时间序列复杂特征
2.5 简约模型
2.5.1 简单模型中的回归系数提取
2.5.2 R-Squared
2.5.3 基于回归系数的新数据预测
2.6 共享单车租赁需求交互式Web应用设计
2.6.1 代码可读性与扩展性摘要
2.6.2 构建本地Flask应用
2.6.3 下载运行GitHub共享单车代码
2.6.4 Web应用程序调试最佳实践
2.7 在微软Azure上运行Web应用程序
2.7.1 使用Git托管项目代码
2.7.2 微软Azure命令行接口工具使用
2.7.3 资源清理
2.7.4 故障排查
2.7.5 步骤回顾
2.8 Web应用程序脚本及技术分析
2.8.1 main.py文件分析
2.8.2 /static/文件夹分析
2.8.3 /templates/index.html文件及脚本分析
2.9 本章小结
2.10 附加资源
第3章 在GCP上基于逻辑回归实现实时智能
3.1 规划Web应用
3.2 数据处理
3.2.1 处理分类型数据
3.2.2 从分类型数据创建虚拟特征
3.3 建模
3.3.1 训练和测试数据集拆分
3.3.2 逻辑回归
3.3.3 预测幸存率
3.4 准备上云
3.4.1 函数startup()
3.4.2 函数submit_new_profile()
3.4.3 使用HTML表单实现交互
3.4.4 创建动态图像
3.4.5 下载Titanic代码
3.5 部署到谷歌云上
3.5.1 Google App Engine
3.5.2 在Google App Engine上进行部署
3.5.3 问题排查
3.5.4 收尾工作
3.6 代码回顾
3.6.1 main.py
3.6.2 app.yaml
3.6.3 appengine_config.py文件与lib文件夹
3.6.4 requirements.txt
3.7 步骤回顾
3.8 本章小结
第4章 在AWS上使用Gradient Boosting Machine进行预训练
4.1 Web应用程序规划
4.2 探索葡萄酒品质数据集
4.3 处理不平衡的类别
4.4 使用Gradient Boosting Classifier
4.4.1 评估模型
4.4.2 持久化模型
4.4.3 新数据预测
4.5 设计Web应用程序以交互评估葡萄酒品质
4.6 Ajax—服务器端动态Web渲染
4.7 在虚拟环境中工作：一个方便实验、更加安全和纯净的沙箱
4.8 AWS Elastic Beanstalk
4.8.1 为Elastic Beanstalk创建一个访问账户
4.8.2 Elastic Beanstalk
4.8.3 EB Command Line Interface
4.8.4 修复WSGIApplication-Group
4.8.5 创建EB应用程序
4.8.6 查看应用程序
4.9 资源清理
4.10 步骤回顾
4.11 故障排查
4.11.1 查看日志
4.11.2 SSH登录到实例
4.12 本章小结
第5章 案例研究1：在Web和移动浏览器上预测股票市场
5.1 配对交易策略
5.2 下载和准备数据
5.2.1 准备数据
5.2.2 股票代码透视
5.3 价格市场数据扩展
5.4 绘制价差
5.5 交易理念
5.5.1 寻找极端案例
5.5.2 提供交易建议
5.6 计算交易股数
5.7 设计一个移动友好的Web应用程序提供交易建议
5.8 运行本地Flask应用程序
5.9 表单验证
5.10 在PythonAnywhere上运行应用程序
5.11 修复WSGI文件
5.11.1 源代码
5.11.2 WSGI配置
5.11.3 重新加载网站
5.12 PythonAnywhere故障排查
5.13 本章小结
第6章 基于Azure和Google地图的犯罪行为预测
6.1 Web应用程序规划
6.2 探索旧金山犯罪热图数据集
6.2.1 数据清洗
6.2.2 数据重分布
6.2.3 周数据探索
6.3 数据特征工程
6.3.1 创建年度月份汇总数据特征
6.3.2 创建时段数据特征
6.3.3 时段特征数据集探索
6.4 地理数据可视化
6.4.1 地理坐标位置绘制
6.4.2 地理坐标近似

本书由浅入深地介绍了一系列常见的Python数据科学问题。书中介绍的实践项目简单明了，可作为模板快速启动其他类似项目。通过本书，你将学习如何构建一个Web应用程序以进行数值或分类预测，如何理解文本分析，如何创建强大的交互界面，如何对数据访问进行安全控制，以及如何利用Web插件实现信用卡付款和捐赠。
每章都遵循三个步骤：以正确的方式建模，设计和开发本地Web应用程序，部署到流行且可靠的无服务器计算云平台(亚马逊、微软、谷歌和PythonAnvwhere)上。本书各章之间是独立的，你可以根据需求跳转至特定主题。你还可以访问Jupyter Notebook和代码存储库GitHub，以获取本书代码。
通过阅读本书，你将能够：
·使用简单的技术扩展你的机器学习模型，以创建引人注目的交互式Web仪表板。
·利用Flask Web框架快速地构建Python模型和创意的原型。
·创建由回归系数、逻辑回归、梯度提升、贝叶斯分类等驱动的动态内容。
·通过将训练好的模型导入Web应用程序来利用TensorFlow的强大功能。
·创建内容丰富的Web界面，使用JavaScript和Ajax处理复杂的实时用户输入，以生成交互式和定制的内容。
·在界面中使用付费墙以提供基于订阅的访问。
·访问APl数据，如谷歌地图、OpenWeather等。
·使用各种方法来理解文本数据并定制智能系统。
·构建一个直观且实用的推荐网站，为用户增值，并吸引他们成为回头客。
·利用Google Analytics的免费增值服务来分析结果。
·通过顶级公有云供应商将你的创意呈现给客户。