人工智能技術入門

楊正洪

  • 人工智能技術入門-preview-1
  • 人工智能技術入門-preview-2
  • 人工智能技術入門-preview-3
人工智能技術入門-preview-1

商品描述

本書全面講述人工智能涉及的技術,學完本書後,讀者將對人工智能技術有全面的理解,並能掌握AI整體知識架構。 本書共分11章,內容包括人工智能概述、AI產業、數據、機器學習概述、模型、機器學習算法、深度學習、TensorFlow、神經網絡、知識圖譜、數據挖掘,以及銀行業、醫療行業、公共安全、製造業等行業人工智能應用情況。附錄給出了極有參考價值的人工智能術語列表。 本書適合人工智能技術初學者、人工智能行業準從業人員、AI投資領域的技術專家,也適合作為高等院校和培訓學校人工智能相關專業師生的教學參考書。

作者簡介

楊正洪,畢業於美國State University of New York at Stony Brook,在美國矽谷從事AI和大數據相關研發工作十餘年,華中科技大學和中國地質大學客座教授,湖北省2013年海外引進人才,並擁有多項國家專利。
楊正洪參與了大數據和人工智能的國家標準的製定,在2016年參與了公安部主導的“信息安全技術:大數據平台安全管理產品安全技術要求”的國家標準制定。
楊正洪是中關村海外智庫專家顧問和住建部中規院專家顧問,曾擔任在美上市公司CTO、北京某國企CIO和上海某國企高級副總裁等職。
多年從事人工智能與大數據技術的實踐,出版了《智慧城市》《大數據技術入門》等多本暢銷書。

目錄大綱

章人工智能概述
1.1AI是什麼
1.1.1火熱的AI
1.1.2AI的驅動因素
1.2AI技術的成熟度
1.2.1視覺識別
1.2.2自然語言理解
1.2.3機器人
1.2.4自動駕駛
1.2.5機器學習
1.2.6遊戲
1.3AI與大數據的關係
1.4AI與雲計算的關係
1.5AI技術路線

第2章AI產業
2.1基礎層
2.1.1芯片產業
2.1.2GPU
2.1.3FPGA
2.1.4ASIC
2.1.5TPU
2.1. 6***的芯片
2.1.7芯片產業小結
2.1.8傳感器
2.1.9傳感器小結
2.2技術層
2.2.1機器學習
2.2.2語音識別與自然語言處理
2.2.3計算機視覺
2.3應用層
2.3.1安防
2.3.2金融
2.3.3製造業
2.3.4智能家居
2.3.5醫療
2.3.6自動駕駛
2.4AI產業發展趨勢分析

第3章機器學習概述
3.1走進機器學習
3.1.1什麼是機器學習
3.1.2機器學習的感*認識
3.1.3機器學習的本質
3.1.4對機器學習的全面認識
3.1.5機器學習、深度學習與人工智能
3.1.6機器學習、數據挖掘與數據分析
3.2機器學習的基本概念
3.2.1數據集、特徵和標籤
3.2.2監督式學習和非監督式學習
3.2.3強化學習和遷移學習
3.2.4特徵數據類型
3.2.5訓練集、驗*集和測試集
3.2.6機器學習的任務流程
3.3數據預處理
3.3.1探索*分析
3.3.2數據清洗
3.3.3特徵工程
3.4算法
3.5初探機器學習的開源框架
3.5.1scikit-learn簡介
3.5.2個機器學習實例
3.5.3JupyterNotebook
3.5.4更多實例分析

第4章特徵工程
4.1數據預處理
4.1.1量綱不統一
4.1.2把定量特徵二值化(用於列向量)
4.1.3對定**徵進行編*
4.1.4缺失值處理(用於列向量)
4.1.5數據變換
4.1.6數據預處理總結
4.2特徵*擇
4.2.1Filter法
4.2.2Wrapper法
4.2.3Embedded法
4.2.4特徵*擇總結
4.3降維
4.4特徵工程實例分析
4.4.1數據相關*分析(手工*擇特徵)
4.4.2數據預處理
4.4.3特徵抽取
4.4.4特徵工程總結

第5章模型訓練和評估
5.1什麼是模型
5.2誤差和MSE
5.3模型的訓練
5.3.1模型與算法的區別
5.3.2迭代法
5.4梯度下降法
5.4.1步長
5.4.2優化步長
5.4.3三類梯度下降法
5.4.4梯度下降的詳細算法
5.5模型的擬合效果
5.5.1欠擬合與過度擬合
5.5.2過度擬合的處理方法
5.6模型的評估
5.6.1分類模型的評估
5.6.2回歸模型的擬合效果評估
5.6.3**的評價指標
5.7模型的改進

第6章算法*擇和優化
6.1算法概述
6.1.1線*回歸
6.1.2邏輯回歸
6.1.3線*判*分析
6.1.4分類與回歸樹分析
6.1.5樸素貝葉斯
6.1.6K*近鄰算法
6.1.7學習向量量化
6.1.8支持向量機
6.1.9隨機森林(RandomForest)
6.1.10AdaBoost
6.2支持向量機(SVM)算法
6.3邏輯回歸算法
6.4KNN算法
6.4.1超參數k
6.4.2KNN實例:波士頓房價預測
6.4.3算法評價
6.5決策樹算法
6.6集成算法
6.6.1集成算法簡述
6.6.2集成算法之Bagging
6.6.3集成算法之Boosting
6.7聚類算法
6.7.1K均值聚類
6.7.2均值漂移聚類
6.7.3基於密度的聚類算法
6.7.4用高斯混合模型的優*期望聚類
6.7.5凝聚層次聚類
6.7.6圖團體檢測
6.8機器學習算法實例
6.8.1訓練和預測
6.8.2自動調參
6.8.3嘗試不同算法

第7章深度學習
7.1走進深度學習
7.1.1深度學習為何崛起
7.1.2從邏輯回歸到淺層神經網絡
7.1.3深度神經網絡
7.1.4正向傳播
7.1.5激活函數
7.2神經網絡的訓練
7.2.1神經網絡的參數
7.2.2向量化
7.2.3代價函數
7.2.4梯度下降和反向傳播
7.3神經網絡的優化和改進
7.3.1神經網絡的優化策略
7.3.2正則化方法
7.4捲積神經網絡
7.4.1捲積運算
7.4.2捲積層
7.4.3捲積神經網絡(CNN)實例
7.5深度學習的優勢
7.6深度學習的實現框架

第8章TensorFlow
8.1TensorFlow工具包
8.1.1tf.estimatorAPI
8.1.2Pandas速成
8.1.3必要的Python知識
8.2個TensorFlow程序
8.2.1加載數據
8.2.2探索數據
8.2.3訓練模型
8.2.4評估模型
8.2.5優化模型