我用夸克网盘分享了「构建实时机器学习系统.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

《构建实时机器学习系统》特点：以全栈机器学习应用为目标 通过介绍Docker等部署工具，帮助读者加速掌握机器学习模型的产业化进程。不管你是就职于大公司，还是自己创业，希望《构建实时机器学习系统》的内容能够让你快速上线满意的机器学习系统，离梦想更近一点。 抓住机器学习主干，远离学院派 世界在变，机器学习也在不停地变。对于机器学习中的很多重要成员，如建模工具、分布式队列等，《构建实时机器学习系统》都会对其来龙去脉和发展趋势进行综述。希望通过这样的讨论，能够让读者对机器学习的发展趋势有自己的判断，在未来的成长中也能独占鳌头。 能读的代码，能跑的例子 《构建实时机器学习系统》力求避免代码的大段堆砌。所有案例代码都力求在20行以内，所有例子都通过多次可用性测试。同时我们也将源代码寄存在Github上面，随时进行更新排错。 实时股票交易实例数据 采用美股交易秒级数据作为案例数据，搭建实时机器学习平台，对数据进行存储、加工分析和可视化，并且对数据未来若干秒的走势进行预测。

作者简介

彭河森，资深机器学习科学家，曾在Google、Amazon、微软等公司从事一线机器学习构架和开发工作，参与了Google实时数据警报、Amazon产品广告自动化优化、微软必应广告等多项海量数据、延时要求苛刻的机器学习应用工作。也参与Scikit—learn、Airflow、R等多项开源项目。对机器学习项目的生存期管理、架构设计、软件开发以及应用关键有着丰富的经验。 汪涵，资深机器学习开发者，曾是Amazon、微软、Quantlab、晨星等公司一线机器学习开发人员，参与了AmazonAB检验服务、微软必应搜索问答系统等多项关键大数据处理和机器学习应用的构架和开发工作。对机器学习、自然语言处理有着深刻的体会。

网友热评

Mihai: 对于机器学习系统的框架整体做了一个介绍，了解一下还不错。 gnuhpc: 从工程 概念 场景感受下，技术栈很“经典”

图书目录

前　言 第1部分　实时机器学习方法论 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 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DockerCompose64 6.5.1　DockerCompose的安装64 6.5.2　DockerCompose的基本操作64 6.5.3　利用DockerCompose创建网页计数器集群65 6.6　远端服务器配置工具DockerMachine68 6.6.1　DockerMachine的安装68 6.6.2　安装OracleVirtualBox69 6.6.3　创建和管理VirtualBox中的虚拟机69 6.6.4　在DockerMachine和VirtualBox的环境中运行集群70 6.6.5　利用DockerMachine在DigitalOcean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 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