如果正在构建用于小规模使用的机器学习模型，那么该书不太适合你。但是，如果你是开发人员，正在构建需要快速响应的、可靠的且具有良好用户体验的产品级ML应用程序，那么该书再适合不过。该书涵盖机器学习系统的原理和实践，这些原理和实践非常容易运行和维护，而且对用户来说具有良好的可靠性。
《机器学习系统》教你设计和实现可用于产品的ML系统。在使用Spark构建管道，使用Akka创建高度可伸缩的服务，以及在大量数据集上使用强大的机器学习库（如MLib）时，你将学习反应式设计的原则。这些例子是使用Scala语言编写的，但是同样的思想和工具在Java中也适用。
主要内容
·使用Spark、MLlib和Akka
·反应式设计模式·监控和维护大型系统
·特征、actor和监督
读者对象：
读者需要具备Java或Scala中级技能，不需要有机器学习经验。

第Ⅰ部分 反应式机器学习基础知识
第1章 学习反应式机器学习
1．1 机器学习系统的一个示例
1．1．1 构建原型系统
1．1．2 建立更好的系统
1．2 反应式机器学习
1．2．1 机器学习
1．2．2 反应式系统
1．2．3 使机器学习系统具有反应性
1．2．5 何时不使用反应��机器学习
1．3 本章小结
第2章 使用反应式工具
2．1 Scala 一种反应式语言
2．1．1 对Scala中的不确定性做出反应
2．1．2 时间的不确定性
2．2 Akka，一个反应式工具包
2．2．1 actor模型
2．2．2 使用Akka确保回弹性
2．3 Spark，一个反应式的
大数据框架
2．4 本章小结

第Ⅱ部分 构建反应式机器学习系统
第3章 收集数据
3．1 感知不确定数据
3．2 收集大规模数据
3．2．1 维护分布式系统中的状态
3．2．2 了解数据收集
3．3 持久化数据
3．3．1 弹性和回弹性数据库
3．3．2 事实数据库
3．3．3 查询持久化事实
3．3．4 了解分布式事实数据库
3．4 应用
3．5 反应性
3．6 本章小结
第4章 生成特征
4．1 Spark ML
4．2 提取特征
4．3 转换特征
4．3．1 共同特征转换
4．3．2 转换概念
4．4 选择特征
4．5 构造特征代码
4．5．1 特征生成器
4．5．2 特征集的组成
4．6 应用
4．7 反应性
4．8 本章小结
第5章 学习模型
5．1 实现学习算法
5．1．1 贝叶斯建模
5．1．2 实现朴素贝叶斯
5．2 使用MLlib
5．2．1 构建ML管道
5．2．2 演化建模技术
5．3 构建外观模式
5．4 反应性
5．5 本章小结
第6章 评估模型
6．1 检测欺诈
6．2 测试数据
6．3 模型度量
6．4 测试模型
6．5 数据泄漏
6．6 记录起源
6．7 反应性
6．8 本章小结
第7章 发布模型
7．1 农业的不确定性
7．2 持久化模型
7．3 服务模型
7．3．1 微服务
7．3．2 Akka HTTP
7．4 容器化应用
7．5 反应性
7．6 本章小结
第8章 响应
8．1 以海龟的速度移动
8．2 用任务构建服务
8．3 预测交通
8．4 处理失败
8．5 构建响应系统
8．6 反应性
8．7 本章小结

第Ⅲ部分 操作机器学习系统
第9章 交付
9．1 运送水果
9．2 构建和打包
9．3 构建管道
9．4 评估模型
9．5 部署
9．6 反应性
9．7 本章小结
第10章 演化智能
10．1 聊天
10．2 人工智能
10．3 反射代理
10．4 智能代理
10．5 学习代理
10．6 反应式学习代理
10．6．1 反应原则
10．6．2 反应策略
10．6．3 反应式机器学习
10．7 反应性
10．7．1 库
10．7．2 系统数据
10．8 反应性探索
10．8．1 用户
10．8．2 系统维度
10．8．3 应用反应原则
10．9 本章小结

附录