前言

大家好！我是二蛋，一个热爱技术、乐于分享的工程师。在过去的几年里，我一直通过各种渠道与大家分享技术知识和经验。我深知，每一位技术人员都对自己的技能提升和职业发展有着热切的期待。因此，我非常感激大家一直以来对我的关注和支持。

为了回馈大家的厚爱，我决定启动一项特别的赠书活动。我希望通过这个活动，能够让更多的读者获得有价值的技术支持，并提高自己的技能水平。

在这个活动中，我将不定期向大家赠送一本技术相关书籍。这些书籍涵盖了各种技术领域，包括编程、人工智能、大数据等等。每一本书都是经过我精心挑选，力求为大家带来最有价值的内容。

同时，为了更好地满足读者的需求，我在每期的赠送活动中都会开展投票。大家可以根据自己的兴趣和需求，投票表决想要获得的书籍。这样，我就能更好地为大家提供所需的技术资源。

我相信，通过这个活动，我们可以共同成长，一起在技术的道路上不断探索和进步。希望大家可以积极参与这个活动，一起分享技术的快乐。

活动规则

关注我的博客：成为我博客的关注者，你将第一时间收到所有新的博客文章和活动信息。
留言参与：在每一期文章下方留言，留言内容见每期的参与方式。
公布结果：在评论中抽取几名幸运读者免费赠送，获奖名单将在 2023/9/15 12:00:00 置顶评论区。

抽选粉丝算法见CSDN评论区粉丝幸运抽选，完全透明。

每期活动将在获奖名单公布后结束。

参与方式

参与赠书活动非常简单，大家只需按照以下步骤操作即视为参与：

关注博主。
在本文下方评论 “Python机器学习项目实战”。

同时，关注公众号留言“CSDN昵称:二蛋赠书二期”可以增加抽奖权重。如下图，则视为成功增加抽奖权重

在这里插入图片描述

本期赠书《Python机器学习项目实战》

在这里插入图片描述

[德] 阿列克谢·格里戈里耶夫（Alexey Grigorev）著，但波，蔡天一，丁昊译，出版社：清华大学出版社。购书链接：https://item.jd.com/13935988.html

作者介绍

Alexey Grigorev与家人居住在柏林。他是一名经验丰富的软件工程师，专注于机器学习。他在OLX集团担任首席数据科学家，帮助同事们将机器学习应用于生产。

工作之余，Alexey还运营着DataTalks.Club——一个由喜欢数据科学和机器学习的爱好者组成的社区。他还出版过另外两本著作：Mastering Java for Data Science和TensorFlow Deep Learning Projects。

内容简介

《Python机器学习项目实战》带领大家在构建实际项目的过程中，掌握关键的机器学习概念！使用机器学习，我们可完成客户行为分析、价格趋势预测、风险评估等任务。要想掌握机器学习，需要有优质的范例、清晰的讲解和大量的练习。《Python机器学习项目实战》完全满足这三点！
《Python机器学习项目实战》展示了现实、实用的机器学习场景，并全面、清晰地介绍了机器学习的关键概念。在学习《Python机器学习项目实战》的过程中，读者将会完成一些引人入胜的项目，比如使用线性回归预测汽车价格，部署客户流失预测服务等。读者将超出算法，学习在无服务器系统上部署机器学习应用，以及使用Kubernetes和Kubeflow服务模型等重要技术。大家埋头苦学，亲自动手，享受掌握机器学习技能的乐趣！
主要内容：
● 第1章讨论传统软件工程与机器学习的区别；
● 第2章给出第一个项目——预测一辆汽车的价格。
● 第3章解决客户流失预测问题。
● 第4章采用第3章建立的模型并对其性能进行评估。
● 第5章将客户流失预测模型作为一个Web服务进行部署。
● 第6章介绍一个关于风险评分的项目。
● 第7章构建一个图像分类项目。
● 第8章采用第7章中训练的服装分类模型，并且用TensorFlow Lite和AWS Lambda进行部署。
● 第9章部署服装分类模型，但在第一部分使用Kubernetes和TensorFlow Serving，在第二部分使用Kubeflow和Kubeflow Serving。
● 附录A介绍如何设置针对本书的环境，展示如何安装Anaconda和Python、如何运行Jupyter Notebook、如何安装Docker以及如何创建AWS账户。
● 附录B介绍Python的基础知识。
● 附录C涵盖NumPy的基本知识，并且简要介绍机器学习所需的最重要的线性代数概念：矩阵乘法和矩阵求逆。
● 附录D介绍Pandas。
● 附录E解释如何在AWS SageMaker上获得带有GPU的Jupyter Notebook。

读者对象

本书是为能够编程并能快速掌握Python基本知识的人编写的。读者不需要有任何机器学习的经验。理想读者是愿意从事机器学习工作的软件工程师。然而，需要为学习和业余项目编写代码的积极向上的大学生阅读本书后同样会受益匪浅。
此外，那些已经在使用机器学习但想了解更多的人也会发现本书很有帮助。许多已经担任数据科学家和数据分析师的人都表示，本书对他们很有帮助，特别是关于部署的章节