机器学习与Kotlin：从想法到生产模型

如果您是Kotlin开发者，希望掌握机器学习而又不想转向Python，那么这本书正是为您准备的。拥有十年从业经验的工程师德米特里·沃尔科夫（Dmitry Volkov）将向您展示，如何在JVM原生语言上，利用Kotlin生态系统的强大功能以及与流行Python库的兼容性，构建完整的ML系统。

本书分为四个逻辑部分：

• Kotlin中的ML基础 — 数学基础（线性代数、统计学、优化），并附有纯Kotlin示例。您将学习如何在不依赖外部库的情况下实现线性回归、逻辑回归和K近邻算法。



• 库与工具 — 深入探讨Koma（矩阵计算）、KotlinDL（JetBrains出品的神经网络库）、DeepLearning4J（工业级深度学习）以及通过Java API与TensorFlow的集成。您将学会加载预训练模型并根据自己的任务进行微调。



• 与Python生态系统的集成 — 通过ProcessBuilder运行Python脚本，使用Jupyter Notebooks进行原型设计，以及应用DJL（Deep Java Library）直接从Kotlin代码中无缝使用PyTorch和TensorFlow模型。



• 生产级ML系统 — 构建数据处理管道，将模型序列化为PMML和ONNX格式，通过Spring Boot进行部署，监控数据漂移，并进行实时的A/B模型测试。

特别关注实际案例：

• 使用Kotlin进行NLP文本评论分类
• 使用循环神经网络预测时间序列（销售额、流量）
• 基于协同过滤的推荐系统
• 服务器日志中的异常检测
• 计算机视觉：使用KotlinDL进行图像分类

所有示例均附有可运行的代码，并可在代码仓库中获取。您将不仅学会训练模型，还能将它们集成到实际应用中——从Android到服务器端微服务。本书适合熟悉Kotlin和Java基础的开发者，无需预先掌握ML知识。适合那些希望留在JVM生态系统内，同时又不牺牲现代数据科学能力的开发者。

在本书的最后，您将完成一个贯穿全书的项目：创建一个用于预测客户流失的ML服务——从数据收集到使用Ktor和Kafka部署到Kubernetes。您将获得一个用于在Kotlin上构建自己ML产品的现成模板。

本书为精装出版，超过400页，包含80多张插图和视频教程的二维码。对于希望用自己熟悉和喜爱的语言编写机器学习的读者来说，这是一个理想的选择。