布客飞龙

精通 Java 数据科学（四） 十、部署数据科学模型 到目前为止，我们已经涵盖了许多数据科学模型，我们谈到了许多监督和非监督学习方法，包括深度学习和 XGBoost，并讨论了我们如何将这些模型应用于文

精通 Java 机器学习（一） 前言 关于机器学习有许多值得注意的书籍，从关于从数据学习理论的教学小册子；到该领域专业化的标准参考书籍，如聚类和异常检测或概率图建模；到提供特定语言中工具和库使用实用建

精通 Java 数据科学（二） 五、无监督学习——聚类和降维 在前一章中，介绍了 Java 中的机器学习，并讨论了在提供标签信息的情况下如何处理监督学习问题。 然而往往没有标签信息，我们有的只是一些数

精通 Java 机器学习（二） 第四章. 半监督学习和主动学习 在第二章《实际应用中的监督学习》和第三章《无监督机器学习技术》中，我们讨论了两组主要的机器学习技术，这些技术适用于不同情况下标签数据的可

精通 Java 机器学习（四） 附录 A. 线性代数 线性代数在机器学习中至关重要，它为我们提供了一系列特别适用于数据操作和从数据中提取模式的有用工具。此外，当数据必须像在许多机器学习中那样批量处理时

精通 Java 机器学习（三） 第七章：深度学习 在*《实际应用中的监督学习》*的第二章中，我们讨论了不同的一般监督分类技术，这些技术可以广泛应用于各种应用。在监督非线性技术的领域，特别是在计算机视觉

精通 Azure 机器学习第二版（五） 第十五章：第十五章：模型互操作性、硬件优化和集成 在上一章中，我们发现了如何将我们的机器学习评分部署为批量或实时评分器，什么是端点以及我们如何部署它们，最后，我

精通 Azure 机器学习第二版（二） 第二部分：数据摄取、准备、特征工程和管道化 在本节中，我们将学习如何在 Azure 中加载数据和存储数据，以及如何从 Azure 机器学习工作区管理这些数据。然

精通 Azure 机器学习第二版（三） 第七章：第七章：使用 NLP 的高级特征提取 在前面的章节中，我们学习了在 Azure 机器学习服务中许多标准的转换和预处理方法，以及使用 Azure 机器学习