趋近智
应用数据科学：方法与实践
章节 1: 高级数据获取与准备
连接数据库和数据仓库
使用Web API获取数据
网页抓取结构化数据的技巧
高级数据清洗方法
处理缺失值的策略
数据转换与标准化方法
合并与连接不同数据集
动手实践：数据获取与规整
章节 2: 实用特征工程
从数值数据生成特征
高效编码类别变量
从文本数据生成特征
交互项与多项式特征
PCA降维
使用统计方法选择特征
实践：特征创建与选择
章节 3: 构建与调整预测模型
常用监督学习算法回顾
实施线性回归与逻辑回归
应用基于树的模型
梯度提升机介绍
使用网格搜索和随机搜索进行超参数调优
模型准确度评估
交叉验证策略
动手实践：模型训练与超参数优化
章节 4: 应用无监督学习
理解聚类方法要点
实现K-Means聚类
应用 DBSCAN 进行基于密度的聚类
异常检测方法简介
用于可视化的降维
动手实践：聚类与异常检测练习
章节 5: 模型部署要点
保存和加载训练好的模型
模型服务框架简介
构建模型预测的REST API
使用 Docker 容器化应用
模型监控基本要点
实践：创建模型API并将其容器化
模型监控基本要点
这部分内容有帮助吗？
- Introducing MLOps: How to Scale Machine Learning in the Enterprise, Mark Treveil, Nicolas Omont, Aurélien Simon, Guillaume Charbonnier, Camille Desforges, Didier de Vos, Emmanuel Martin, Jim R. Dowling, Jon Foo, Savinay Nangalia, and Homin Lee, 2020 (O'Reilly Media) - 提供关于MLOps原则的全面指导，涵盖生产环境中机器学习模型的整个生命周期，包括部署、监控和治理。
- Building Machine Learning Powered Applications: Going from Idea to Product, Emmanuel Ameisen, 2020 (O'Reilly Media) - 提供以产品为中心的实用指导，涵盖整个机器学习应用程序生命周期，强调模型部署、性能监控和持续改进。
- Machine Learning Engineering, Andriy Burkov, 2020 (True Positive Inc.) - 涵盖构建和维护生产中稳健的机器学习系统所需的工程实践，包括操作健康和模型性能监控的关键方面。