docker實際應用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單

AI開發的機器學習系統設計模式

為了解決docker實際應用的問題，作者澁井雄介 這樣論述：

　　幫助您更了解如何實務開發中應用機器學習技術 　　本書是機器學習系統設計模式的集合，範例使用的平台是Docker和Kubernetes，以確保程式碼的可重複執行。本書描述機器學習從訓練、評估和QA，到發布和運行推理器的順序，以及架構和代碼。藉由本書的指引，能夠幫助您更有效地使用機器學習的技術，將其應用在實際的系統開發中。 　　本書可以幫助您： 　　．了解如何MLOps這種機器學習付諸實用的開發維護方法 　　．了解建置機器學習系統的方法，包括專為機器學習設計的系統（機器學習管線或實驗管理）與專為使用機器學習設計的系統（發佈或推論器），以實現MLOps 　　．了解改善機器學習系統品質的方法

，以及如何透過後續的維護改善模型 來自讀者的讚譽 　　＂蘊含了MLOps的精華＂ 　　＂詳細介紹了如何開發在商業環境中應用機器學習的系統＂ 　　＂資訊豐富，是開發大型系統極佳的參考資料＂  

從Docker動手邁入全新DevOps時代：最完整Kubernetes全書

為了解決docker實際應用的問題，作者龔正,吳治輝,閆健勇 這樣論述：

全方位Kubernetes權威指南 多年累積精華內容，涵蓋最新特性、應用 　　Kubernetes是由Google開源的容器集群管理系統，為容器化應用提供了資源調度、部署運行、服務發現、擴縮容等一系列功能。Kubernetes也是將「一切以服務（Service）為中心，一切圍繞服務運轉」作為指導思想的創新型產品，它的功能和架構設計自始至終地遵循了這一指導思想。構建在Kubernetes上的系統不僅可以獨立運行在物理機、虛擬機集群或者企業私有雲上，也可以被託管在公有雲上。 　　本書總計12章，分別講解Kubernetes的基本概念、實踐指南、核心原理、開發指南、網路與儲存、運行維護指南、新

特性演進等內容，在生產環境中可能出現的問題，舉出了大量典型案例，比如安全設定方案、網路方案、共用儲存方案、高可用方案及Trouble Shooting技巧等，具有很強的實戰指導意義。 　　本書的內容也隨著Kubernetes的版本更新不斷完善，目前涵蓋了Kubernetes從1.0到1.19版本的主要特性，努力為Kubernetes使用者提供全方位的Kubernetes技術指南。 　　【適合讀者群】 　　本書目標讀者範圍很廣，有些大專院校也採用了本書作為參考教材。 　　考慮到Kubernetes的技術定位，以下讀者適合購買和閱讀本書： 　　．資深IT從業者 　　．研發部門主管 　　．架構師

（語言不限） 　　．研發工程師（經驗不限） 　　．運行維護工程師（經驗不限） 　　．軟體QA和測試工程師（兩年以上經驗） 　　．以技術為主的售前工作人員（兩年以上經驗） 專業推薦 　　中國移動資訊技術中心研發創新中心（平台能力共用中心）副總經理 張春

使用Kafka串流結合遷移式學習偵測負面言論

為了解決docker實際應用的問題，作者張庭瑋 這樣論述：

在現今網路發達的時代，社群媒體已跟生活密不可分，網路上的不當發言衍伸出許多網路紛爭，為了即時掌握網路上的負面發言，本論文應用了開源平台Kubernetes快速部屬Kafka分散式系統，將取得的即時言論傳入Kafka Cluster中，本研究將會針對Kafka中的各項參數進行實驗，藉此達成高吞吐、低延遲的即時資訊串流。此外，我們也針對英文進行負面言論分析，使用深度學習中的遷移式學習技術，並透過NLTK的方法，結合RNN、LSTM及BERT三種神經網路模型進行負面言論辨識，經訓練後本研究之模型準確率最高可達83.61%。最後建構一個可以即時辨識Twitter文章是否含有負面言論的系統，我們將Tw

itter API作為我們Kafka系統中的Producer資料源，資料經Kafka Cluster中3個Broker分流後，再由機器學習後的模型作為Kafka系統中的Consumer去訂閱Kafka Cluster中的數據並進行負面言論辨識，透過Kafka分散式系統將數據傳輸的效能提到最高，相對降低延遲的時間，達成最即時的資料收集與辨識，以減少網路紛爭，並期望未來可以實際應用於社群媒體中。