学习设计思维的基本原理,以及如何在定义软件开发和人工智能解决方案时应用设计思维技术。设计思维是一种创新的方法,它能识别问题并产生解决方案,并能通过原型设计迅速得到验证。

这本书提供了设计思维的简史和过程的概述。然后深入探讨在设计思维研讨会中使用的方法和工具的更多细节,从而得出有用的原型。提供以下指引:

  • 为设计思考工作坊做准备
  • 发现可能被解决的潜在业务问题
  • 优先考虑可能的解决方案
  • 识别和描述利益相关者
  • 为开发选择正确的原型
  • 限制了原型构建的范围和最佳实践

本书最后讨论了成功原型的操作化的最佳实践,并描述了对成功采用至关重要的变更管理技术。您可以使用从阅读本书中获得的知识,将设计思维技术融入到您的软件开发和AI项目中,并确保及时和成功地交付解决方案。

你将学到什么

  • 获得什么是设计思维以及何时应用该技术的基本知识
  • 发现在研讨会中使用的准备和促进技巧
  • 了解想法是如何产生的,然后通过原型验证
  • 了解实现最佳实践,包括变更管理考虑事项

这本书是给谁的呢

  • 商业决策者和项目利益相关者,以及IT项目所有者,他们寻求一种方法,导致快速开发成功的软件和AI原型,证明真正的商业价值。也为数据科学家,开发人员和系统集成商谁有兴趣促进或利用设计思维研讨会,以推动潜在的软件开发和人工智能项目背后的势头。
成为VIP会员查看完整内容
0
32

相关内容

利用Kubernetes快速采用新兴技术。Kubernetes是企业平台开发的未来,它已经成为当今最流行的、通常被认为是最健壮的容器编配系统。这本书集中在平台技术的力量的物联网,区块链,机器学习,和许多层的数据和应用管理支持他们。

成为VIP会员查看完整内容
0
24

《数据科学与机器学习概论》的创建目标是为寻求了解数据科学的初学者、数据爱好者和经验丰富的数据专业人士提供从头到尾对使用开源编程进行数据科学应用开发的深刻理解。这本书分为四个部分: 第一部分包含对这本书的介绍,第二部分涵盖了数据科学、软件开发和基于开源嵌入式硬件的领域; 第三部分包括算法,是数据科学应用的决策引擎; 最后一节汇集了前三节中共享的概念,并提供了几个数据科学应用程序示例。

^

  1. Introductory Chapter: Clustering with Nature-Inspired Optimization Algorithms 在本章中,读者将学习如何为聚类问题应用优化算法。

By Pakize Erdogmus and Fatih Kayaalp

  1. Best Practices in Accelerating the Data Science Process in Python

By Deanne Larson

数据科学和大数据项目的数量正在增长,当前的软件开发方法受到了挑战,以支持和促进这些项目的成功和频率。关于如何使用数据科学算法以及大数据的好处已经有了很多研究,但是关于可以利用哪些最佳实践来加速和有效地交付数据科学和大数据项目的研究却很少。大数据的数量、种类、速度和准确性等特点使这些项目复杂化。数据科学家可利用的开源技术的激增也会使情况变得复杂。随着数据科学和大数据项目的增加,组织正在努力成功交付。本文讨论了数据科学和大数据项目过程,过程中的差距,最佳实践,以及这些最佳实践如何在Python中应用,Python是一种常见的数据科学开源编程语言。

  1. Software Design for Success By Laura M. Castro

正如人们所期望的那样,技术书籍的大部分时间都集中在技术方面。然而,这造成了一种错觉,即技术在某种程度上是没有偏见的,总是中性的,因此适合每个人。后来,当产品已经存在时,现实会证明我们不是这样的。包含和表示在设计和建模阶段是至关重要的。在本章中,我们将从架构的角度分析,哪些非功能性需求是最敏感的,以及如何开始讨论它们以最大限度地提高我们的软件产品成功的可能性。

  1. Embedded Systems Based on Open Source Platforms By Zlatko Bundalo and Dusanka Bundalo

  2. The K-Means Algorithm Evolution By Joaquín Pérez-Ortega, Nelva Nely Almanza-Ortega, Andrea Vega-Villalobos, Rodolfo Pazos-Rangel, Crispín Zavala-Díaz and Alicia Martínez-Rebollar

  3. “Set of Strings” Framework for Big Data Modeling By Igor Sheremet

  4. Investigation of Fuzzy Inductive Modeling Method in Forecasting Problems By Yu. Zaychenko and Helen Zaychenko

  5. Segmenting Images Using Hybridization of K-Means and Fuzzy C-Means Algorithms By Raja Kishor Duggirala

  6. The Software to the Soft Target Assessment By Lucia Mrazkova Duricova, Martin Hromada and Jan Mrazek

  7. The Methodological Standard to the Assessment of the Traffic Simulation in Real Time By Jan Mrazek, Martin Hromada and Lucia Duricova Mrazkova

  8. Augmented Post Systems: Syntax, Semantics, and Applications By Igor Sheremet

  9. Serialization in Object-Oriented Programming Languages By Konrad Grochowski, Michał Breiter and Robert Nowak

本章描述了将对象状态转换为一种格式的过程,这种格式可以在当前使用的面向对象编程语言中传输或存储。这个过程称为序列化(封送处理);相反的称为反序列化(反编组)进程。它是一种低级技术,应该考虑一些技术问题,如内存表示的大小、数字表示、对象引用、递归对象连接等。在本章中,我们将讨论这些问题并给出解决办法。我们还简要回顾了当前使用的工具,并指出满足所有需求是不可能的。最后,我们提供了一个新的支持向前兼容性的c++库。

成为VIP会员查看完整内容
0
26

本书提供了实际的示例和注意事项,以帮助您创建健壮和高效的数据库解决方案。在整个文本中,提供了实际问题、问题和常见陷阱,以帮助您识别最佳解决方案,以便在可能遇到的不同应用程序场景中获得最大成功。

成为VIP会员查看完整内容
0
19

本书建立在基本的Python教程的基础上,解释了许多没有被常规覆盖的Python语言特性:从通过利用入口点作为微服务扮演双重角色的可重用控制台脚本,到使用asyncio高效地整理大量来源的数据。通过这种方式,它涵盖了基于类型提示的linting、低开销测试和其他自动质量检查,以演示一个健壮的实际开发过程。

Python的一些功能强大的方面通常用一些设计的示例来描述,这些示例仅作为一个独立示例来解释该特性。通过遵循从原型到生产质量的真实应用程序示例的设计和构建,您不仅将看到各种功能是如何工作的,而且还将看到它们如何作为更大的系统设计过程的一部分进行集成。此外,您还将受益于一些有用的附加说明和库建议,它们是Python会议上问答会议的主要内容,也是讨论现代Python最佳实践和技术的主要内容,以便更好地生成易于维护的清晰代码。

高级Python开发是为已经能用Python编写简单程序的开发人员准备的,这些开发人员希望了解什么时候使用新的和高级语言特性是合适的,并且能够以一种自信的方式这样做。它对于希望升级到更高级别的开发人员和迄今为止使用过较老版本Python的非常有经验的开发人员特别有用。

你将学习

  • 理解异步编程
  • 检查开发插件架构
  • 使用类型注释
  • 回顾测试技术
  • 探索打包和依赖项管理

这本书是给谁的 -已经有Python经验的中高级开发人员。

成为VIP会员查看完整内容
0
55

使用Microsoft Excel中流行的数据挖掘技术,更好地理解机器学习方法。

软件工具和编程语言包接受数据输入并直接交付数据挖掘结果,对工作机制没有任何见解,并在输入和输出之间造成了鸿沟。这就是Excel可以提供帮助的地方。

Excel允许您以透明的方式处理数据。当您打开一个Excel文件时,数据立即可见,您可以直接使用它。在执行挖掘任务时,可以检查中间结果,从而更深入地理解如何操作数据和获得结果。这些是隐藏在软件工具和编程语言包中的模型构建过程的关键方面。

这本书教你通过Excel进行数据挖掘。您将了解当数据集不是很大时Excel在数据挖掘方面的优势。它可以为您提供数据挖掘的可视化表示,在结果中建立信心。您将手动完成每一个步骤,这不仅提供了一个主动学习体验,而且还告诉您挖掘过程是如何工作的,以及如何发现数据内部隐藏的模式。

你将学到什么

  • 使用可视化的一步一步的方法理解数据挖掘
  • 首先从理论上介绍了一种数据挖掘方法,然后是Excel的实现
  • 揭开机器学习算法背后的神秘面纱,让每个人都能接触到一个复杂的话题
  • 熟练使用Excel公式和函数
  • 获得数据挖掘和Excel的实际操作经验

这本书是给谁的

  • 任何对学习数据挖掘或机器学习感兴趣的人,特别是数据科学视觉学习者和擅长Excel的人,希望探索数据科学主题和/或扩展他们的Excel技能的人。建议对Excel有基本或初级的了解。
成为VIP会员查看完整内容
0
40

随着机器学习越来越多地被用于发现模式、进行分析和做出决策——投资于吸引更多的利益相关者加入是至关重要的。这本关于机器学习中的Python项目的书试图做到这一点:为今天和明天的开发人员提供工具,他们可以使用这些工具更好地理解、评估和塑造机器学习,以帮助确保它为我们所有人服务。

如果你还没有Python编程环境,这本书将为你提供一个,然后在“机器学习导论”一章中为你提供一个机器学习的概念理解。接下来是三个Python机器学习项目。它们将帮助你创建一个机器学习分类器,建立一个神经网络来识别手写数字,并通过为Atari构建一个机器人来给你一个深度强化学习的背景知识。

Python机器学习项目

  1. 前言
  2. 设置Python编程环境 3.机器学习入门
  3. 如何用Scikitlearn在Python中构建机器学习分类器
  4. 如何建立基于Tensorflow的神经网络识别手写数字
  5. 深度强化学习的偏差-方差: 如何用OpenAI Gym为Atari构建一个机器人

成为VIP会员查看完整内容
0
59

机器学习已经成为许多商业应用和研究项目中不可或缺的一部分,但这一领域并不仅限于拥有广泛研究团队的大公司。如果您使用Python,即使是初学者,这本书也会教你构建自己的机器学习解决方案的实用方法。今天,有了所有可用的数据,机器学习应用程序只受限于你的想象力。

您将学习使用Python和scikit-learn库创建成功的机器学习应用程序所需的步骤。两位作者安德烈亚斯•穆勒(Andreas Muller)和萨拉•圭多(Sarah Guido)关注的是使用机器学习算法的实践层面,而不是背后的数学。熟悉NumPy和matplotlib库将有助于您从本书获得更多信息。

通过这本书,你会学到 :

  • 机器学习的基本概念和应用
  • 广泛应用的机器学习算法的优缺点
  • 如何表示机器学习处理过的数据,包括关注哪些数据方面
  • 先进的模型评估和参数调整方法
  • 用于链接模型和封装工作流的管道概念
  • 处理文本数据的方法,包括特定于文本的处理技术
  • 提高机器学习和数据科学技能的建议
成为VIP会员查看完整内容
0
52

找到有合适技能的人。本书阐明了创建高效能数据集成团队的最佳实践,使您能够理解计划、设计和监视一次性迁移和日常集成系统的技能和需求、文档和解决方案。

数据的增长是爆炸式的。随着跨企业系统的多个信息源的不断到达,将这些系统组合成一个单一的、内聚的、可记录的单元变得比以往任何时候都更加重要。但是,与其他软件规程相比,集成的方法有很大的不同,它要求能够编写代码、协作并将复杂的业务规则分解为可伸缩的模型。

数据迁移和集成可能很复杂。在许多情况下,项目团队将实际的迁移保留到项目的最后一个周末,任何问题都可能导致错过最后期限,或者在最坏的情况下导致需要在部署后进行协调的数据损坏。本书详细介绍了如何进行战略规划以避免这些最后时刻的风险,以及如何为未来的集成项目构建正确的解决方案。

你会学到什么

  • 理解集成的“语言”,以及它们在优先级和所有权方面的关系
  • 创建有价值的文档,带领您的团队从发现到部署
  • 研究当今市场上最重要的集成工具
  • 监视您的错误日志,并查看输出如何增加持续改进的周期
  • 为整个企业提供有价值的集成解决方案

这本书是给谁看的

构建相应实践的执行和集成团队领导。它也适用于需要额外熟悉ETL工具、集成过程和相关项目可交付成果的集成架构师、开发人员和业务分析人员

成为VIP会员查看完整内容
0
42

大大小小的公司都在启动人工智能项目,在软件、开发人员和数据科学家身上投入了大量资金。通常情况下,这些人工智能项目将重点放在技术上,而牺牲了可操作的或有形的业务结果,导致结果分散和投资浪费。人工智能的成功为人工智能项目制定了蓝图,以确保它们是可预测的、成功的和有利可图的。它充满了运行数据科学程序的实用技术,以确保它们的成本效益和专注于正确的业务目标。

对这项技术

对于一个成功的AI项目来说,最大的挑战不是决定你可以解决哪些问题。它决定你应该解决哪些问题。拥有巨额资金和顶尖人才的人工智能系统,如果不回答那些将推动真正商业价值的问题,仍然会失败。作为一个AI团队的领导者,你的工作是确保你引导你的团队朝着正确的目标前进,并实现一个能够按时并按预算交付结果的过程。

关于这本书

在《人工智能成功之道》一书中,作者兼人工智能顾问Veljko Krunic揭示了他与《财富》500强公司、早期创业公司以及其他横跨多个行业的企业共同开发的人工智能的成功秘诀。Veljko首先制定了一个框架,用于确定要为您的业务回答的正确问题。然后,他会教你一个可重复的过程,用于正确地组织一个AI项目,以最大化有限资源的价值,比如你的数据科学家的时间。您将学习建立指标,让您根据业务需求来判断您的机器学习的有效性,以及如何评估您的AI项目在其生命周期的早期是否在正确的轨道上。根据你将在现实世界中遇到的商业困境进行练习,你将学习如何管理ML流程并防止其发生固化。完成之后,您就可以开始明智地投资于数据科学,为您的业务提供具体、可靠和有利可图的结果。

里面有什么

  • 选择正确的AI项目以满足特定的业务目标
  • 节约资源,实现物有所值
  • 如何衡量你的人工智能努力在商业方面的成功
  • 预测自己是否在正确的轨道上交付预期的业务结果
成为VIP会员查看完整内容
0
60

这本书在对算法工作原理的高层次理解和对优化模型的具体细节的了解之间找到一个平衡点。这本书将给你的信心和技能时,开发所有主要的机器学习模型。在这本Pro机器学习算法中,您将首先在Excel中开发算法,以便在用Python/R实现模型之前,实际了解可以在模型中调优的所有细节。

你将涵盖所有主要的算法:监督和非监督学习,其中包括线性/逻辑回归;k - means聚类;主成分分析;推荐系统;决策树;随机森林;“GBM”;和神经网络。您还将通过CNNs、RNNs和word2vec等文本挖掘工具了解最新的深度学习。你不仅要学习算法,还要学习特征工程的概念来最大化模型的性能。您将看到该理论与案例研究,如情绪分类,欺诈检测,推荐系统,和图像识别,以便您得到最佳的理论和实践为工业中使用的绝大多数机器学习算法。在学习算法的同时,您还将接触到在所有主要云服务提供商上运行的机器学习模型。

你会学到什么?

  • 深入了解所有主要的机器学习和深度学习算法
  • 充分理解在构建模型时要避免的陷阱
  • 在云中实现机器学习算法
  • 通过对每种算法的案例研究,采用动手实践的方法
  • 学习集成学习的技巧,建立更精确的模型
  • 了解R/Python编程的基础知识和Keras深度学习框架

这本书是给谁看的

希望转换到数据科学角色的业务分析师/ IT专业人员。想要巩固机器学习知识的数据科学家。

成为VIP会员查看完整内容
0
82
小贴士
相关论文
Marco Romanelli,Konstantinos Chatzikokolakis,Catuscia Palamidessi,Pablo Piantanida
0+阅读 · 9月18日
Keyulu Xu,Jingling Li,Mozhi Zhang,Simon S. Du,Ken-ichi Kawarabayashi,Stefanie Jegelka
8+阅读 · 2月15日
Yidan Hu,Gongqi Lin,Yuan Miao,Chunyan Miao
3+阅读 · 2019年9月8日
Multi-Task Deep Neural Networks for Natural Language Understanding
Xiaodong Liu,Pengcheng He,Weizhu Chen,Jianfeng Gao
3+阅读 · 2019年1月31日
Neural-Symbolic VQA: Disentangling Reasoning from Vision and Language Understanding
Kexin Yi,Jiajun Wu,Chuang Gan,Antonio Torralba,Pushmeet Kohli,Joshua B. Tenenbaum
3+阅读 · 2018年10月4日
Keyulu Xu,Weihua Hu,Jure Leskovec,Stefanie Jegelka
15+阅读 · 2018年10月1日
To Cluster, or Not to Cluster: An Analysis of Clusterability Methods
A. Adolfsson,M. Ackerman,N. C. Brownstein
3+阅读 · 2018年8月24日
Detection and Segmentation of Manufacturing Defects with Convolutional Neural Networks and Transfer Learning
Max Ferguson,Ronay Ak,Yung-Tsun Tina Lee,Kincho H. Law
3+阅读 · 2018年8月7日
Quanshi Zhang,Song-Chun Zhu
8+阅读 · 2018年2月7日
Kevin Taylor-Sakyi
3+阅读 · 2016年1月15日
Top