机器学习和 Go (Golang)：从基础到生产环境

本书是首部俄语版Go语言机器学习系统构建实战指南。如果您是希望将ML集成到项目中的Go开发者，或是对高性能、高可靠生产级语言感兴趣的数据科学家，本书正是为您量身打造。

本书内容

本书涵盖Go语言机器学习的完整工作流程：从数据收集与预处理、模型构建（线性回归、决策树、神经网络）到微服务架构中的模型部署。重点内容包括：

• 库与框架：golearn、Gorgonia、gonum、tfgo（Go版TensorFlow）；
• 利用通道（channels）和协程处理海量数据；
• 与外部ML服务集成（TensorFlow Serving、ONNX Runtime）；
• 为模型创建REST/gRPC API；
• ML系统的测试、监控与A/B测试。

目标读者

• 希望将机器学习融入技术栈的Go开发者；
• 希望从Python转向更高性能Go的数据科学家；
• 负责ML模型部署的DevOps工程师；
• 机器学习课程的学生与教师。

您将学到

• 如何为Go中的特定ML任务选择合适工具；
• 如何构建并训练回归、分类和聚类模型；
• 如何针对高并发和低延迟优化模型；
• 如何将模型集成到现有Go服务中（例如基于Gin或Echo框架）；
• 如何使用ONNX在Python和Go之间迁移模型；
• 如何编写ML组件的单元测试并管理模型版本（DVC、Git LFS）。

为何选择Go进行ML？

Go兼具C/C++的性能与Python的简洁性。静态类型、快速编译、内置并发支持使其成为生产环境的理想选择。本书将展示这些优势如何助力构建可扩展且可靠的ML系统。

书中示例

在第5章中，您将实现一个基于协同过滤的推荐服务——从CSV数据加载到在Docker与Kubernetes中部署。完整代码和测试均可在代码仓库中获取。

本书适合具备Go基础（语法、结构体、接口）和机器学习基础知识（特征、指标、过拟合等概念）的读者阅读。