科技 类型
可以朗读 语音朗读
190千字 字数
2021-01-01 发行日期
展开全部

主编推荐语

全面讲述AI技术及应用，适合初学者和专业人员阅读。

内容简介

本书全面讲述人工智能涉及的技术，学完本书后，你将对人工智能技术有全面的理解，并能掌握AI整体知识架构。

本书共分11章，内容包括人工智能概述、AI产业、数据、机器学习概述、模型、机器学习算法、深度学习、TensorFlow、神经网络、知识图谱、数据挖掘，以及银行业、医疗行业、公共安全、制造业等行业人工智能应用情况。附录给出了极有参考价值的人工智能术语列表。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 人工智能概述
  • 1.1 AI是什么
  • 1.1.1 火热的AI
  • 1.1.2 AI的驱动因素
  • 1.2 AI技术的成熟度
  • 1.2.1 视觉识别
  • 1.2.2 自然语言理解
  • 1.2.3 机器人
  • 1.2.4 自动驾驶
  • 1.2.5 机器学习
  • 1.2.6 游戏
  • 1.3 AI与大数据的关系
  • 1.4 AI与云计算的关系
  • 1.5 AI技术路线
  • 第2章 AI产业
  • 2.1 基础层
  • 2.1.1 芯片产业
  • 2.1.2 GPU
  • 2.1.3 FPGA
  • 2.1.4 ASIC
  • 2.1.5 TPU
  • 2.1.6 亚马逊的芯片
  • 2.1.7 芯片产业小结
  • 2.1.8 传感器
  • 2.1.9 传感器小结
  • 2.2 技术层
  • 2.2.1 机器学习
  • 2.2.2 语音识别与自然语言处理
  • 2.2.3 计算机视觉
  • 2.3 应用层
  • 2.3.1 安防
  • 2.3.2 金融
  • 2.3.3 制造业
  • 2.3.4 智能家居
  • 2.3.5 医疗
  • 2.3.6 自动驾驶
  • 2.4 AI产业发展趋势分析
  • 第3章 机器学习概述
  • 3.1 走进机器学习
  • 3.1.1 什么是机器学习
  • 3.1.2 机器学习的感性认识
  • 3.1.3 机器学习的本质
  • 3.1.4 对机器学习的全面认识
  • 3.1.5 机器学习、深度学习与人工智能
  • 3.1.6 机器学习、数据挖掘与数据分析
  • 3.2 机器学习的基本概念
  • 3.2.1 数据集、特征和标签
  • 3.2.2 监督式学习和非监督式学习
  • 3.2.3 强化学习和迁移学习
  • 3.2.4 特征数据类型
  • 3.2.5 训练集、验证集和测试集
  • 3.2.6 机器学习的任务流程
  • 3.3 数据预处理
  • 3.3.1 探索性分析
  • 3.3.2 数据清洗
  • 3.3.3 特征工程
  • 3.4 算法
  • 3.5 初探机器学习的开源框架
  • 3.5.1 scikit-learn简介
  • 3.5.2 第一个机器学习实例
  • 3.5.3 Jupyter Notebook
  • 3.5.4 更多实例分析
  • 第4章 特征工程
  • 4.1 数据预处理
  • 4.1.1 量纲不统一
  • 4.1.2 把定量特征二值化（用于列向量）
  • 4.1.3 对定性特征进行编码
  • 4.1.4 缺失值处理（用于列向量）
  • 4.1.5 数据变换
  • 4.1.6 数据预处理总结
  • 4.2 特征选择
  • 4.2.1 Filter法
  • 4.2.2 Wrapper法
  • 4.2.3 Embedded法
  • 4.2.4 特征选择总结
  • 4.3 降维
  • 4.4 特征工程实例分析
  • 4.4.1 数据相关性分析（手工选择特征）
  • 4.4.2 数据预处理
  • 4.4.3 特征抽取
  • 4.4.4 特征工程总结
  • 第5章 模型训练和评估
  • 5.1 什么是模型
  • 5.2 误差和MSE
  • 5.3 模型的训练
  • 5.3.1 模型与算法的区别
  • 5.3.2 迭代法
  • 5.4 梯度下降法
  • 5.4.1 步长
  • 5.4.2 优化步长
  • 5.4.3 三类梯度下降法
  • 5.4.4 梯度下降的详细算法
  • 5.5 模型的拟合效果
  • 5.5.1 欠拟合与过度拟合
  • 5.5.2 过度拟合的处理方法
  • 5.6 模型的评估
  • 5.6.1 分类模型的评估
  • 5.6.2 回归模型的拟合效果评估
  • 5.6.3 其他的评价指标
  • 5.7 模型的改进
  • 第6章 算法选择和优化
  • 6.1 算法概述
  • 6.1.1 线性回归
  • 6.1.2 逻辑回归
  • 6.1.3 线性判别分析
  • 6.1.4 分类与回归树分析
  • 6.1.5 朴素贝叶斯
  • 6.1.6 K最近邻算法
  • 6.1.7 学习向量量化
  • 6.1.8 支持向量机
  • 6.1.9 随机森林（Random Forest）
  • 6.1.10 AdaBoost
  • 6.2 支持向量机（SVM）算法
  • 6.3 逻辑回归算法
  • 6.4 KNN算法
  • 6.4.1 超参数k
  • 6.4.2 KNN实例：波士顿房价预测
  • 6.4.3 算法评价
  • 6.5 决策树算法
  • 6.6 集成算法
  • 6.6.1 集成算法简述
  • 6.6.2 集成算法之Bagging
  • 6.6.3 集成算法之Boosting
  • 6.7 聚类算法
  • 6.7.1 K均值聚类
  • 6.7.2 均值漂移聚类
  • 6.7.3 基于密度的聚类算法
  • 6.7.4 用高斯混合模型的最大期望聚类
  • 6.7.5 凝聚层次聚类
  • 6.7.6 图团体检测
  • 6.8 机器学习算法实例
  • 6.8.1 训练和预测
  • 6.8.2 自动调参
  • 6.8.3 尝试不同算法
  • 第7章 深度学习
  • 7.1 走进深度学习
  • 7.1.1 深度学习为何崛起
  • 7.1.2 从逻辑回归到浅层神经网络
  • 7.1.3 深度神经网络
  • 7.1.4 正向传播
  • 7.1.5 激活函数
  • 7.2 神经网络的训练
  • 7.2.1 神经网络的参数
  • 7.2.2 向量化
  • 7.2.3 代价函数
  • 7.2.4 梯度下降和反向传播
  • 7.3 神经网络的优化和改进
  • 7.3.1 神经网络的优化策略
  • 7.3.2 正则化方法
  • 7.4 卷积神经网络
  • 7.4.1 卷积运算
  • 7.4.2 卷积层
  • 7.4.3 卷积神经网络（CNN）实例
  • 7.5 深度学习的优势
  • 7.6 深度学习的实现框架
  • 第8章 TensorFlow
  • 8.1 TensorFlow工具包
  • 8.1.1 tf.estimator API
  • 8.1.2 Pandas速成
  • 8.1.3 必要的Python知识
  • 8.2 第一个TensorFlow程序
  • 8.2.1 加载数据
  • 8.2.2 探索数据
  • 8.2.3 训练模型
  • 8.2.4 评估模型
  • 8.2.5 优化模型
  • 8.2.6 合成特征
  • 8.2.7 离群值处理
  • 8.3 过度拟合处理
  • 8.3.1 训练集和测试集
  • 8.3.2 验证集
  • 8.3.3 过度拟合实例
  • 8.4 特征工程
  • 8.4.1 数值型数据
  • 8.4.2 字符串数据和独热编码（One-Hot Encoding）
  • 8.4.3 枚举数据（分类数据）
  • 8.4.4 好特征
  • 8.4.5 数据清洗
  • 8.4.6 分箱（分桶）技术
  • 8.4.7 特征工程实例
  • 第9章 TensorFlow高级知识
  • 9.1 特征交叉
  • 9.1.1 什么是特征交叉
  • 9.1.2 FTRL实践
  • 9.1.3 分箱（分桶）代码实例
  • 9.1.4 特征交叉代码实例
  • 9.2 L2正则化
  • 9.3 逻辑回归
  • 9.4 分类
  • 9.4.1 ROC和AUC
  • 9.4.2 预测偏差
  • 9.4.3 分类代码实例
  • 9.5 L1正则化
  • 第10章 神经网络
  • 10.1 什么是神经网络
  • 10.1.1 隐藏层
  • 10.1.2 激活函数
  • 10.1.3 ReLU
  • 10.1.4 实例代码
  • 10.2 训练神经网络
  • 10.2.1 正向传播算法
  • 10.2.2 反向传播算法
  • 10.2.3 归一化特征值
  • 10.2.4 随机失活正则化
  • 10.2.5 代码实例
  • 10.3 多类别神经网络
  • 10.3.1 一对多方法
  • 10.3.2 Softmax
  • 10.3.3 代码实例
  • 10.4 嵌入
  • 10.4.1 协同过滤
  • 10.4.2 稀疏数据
  • 10.4.3 获取嵌入
  • 10.4.4 代码实例
  • 第11章 人工智能应用
  • 11.1 银行业
  • 11.2 医疗行业
  • 11.3 公共安全
  • 11.4 制造业
  • 附录A 人工智能的历史发展
  • 附录B 人工智能网上资料
  • 附录C 本书中采用的人工智能中英文术语
  • 附录D 术语列表
展开全部

评分及书评

评分不足
2个评分
  • 用户头像
    给这本书评了
    4.0
    人工智能科普书籍

    人工智能技术是继蒸汽机、电力、互联网科技之后最有可能带来新一次产业革命浪潮的技术，在爆炸式的数据积累、基于神经网络模型的新型算法与更加强大、成本更低的计算力的促进下，本次人工智能的发展受到风险投资的热烈追捧而处于高速发展时期，人工智能技术的应用场景也在各个行业逐渐明朗，开始带来实际商业价值。且人工智能是一个非常广泛的领域。人工智能技术涵盖很多大的学科，包括计算机视觉（模式识别、图像处理）、自然语言理解与交流（语音识别）、认知科学、机器人学（机械、控制、设计、运动规划、任务规划等）、机器学习（各种模型和算法）。人工智能产业链条涵盖了基础层、技术层、应用层等多个方面，其辐射范围之大，可以说没有任何单一一家公司能包揽人工智能产业的每个环节，故深耕细分领域和协作整合多个产业间资源的形式，就成为人工智能领域主要的发展路径。这本《人工智能技术入门》开篇就是从人工智能的定义入手，阐述了人工智能火热的成因、发展历程、产业链、技术和应用场景，从第 3 章开始详细阐述人工智能的几个核心技术（机器学习、特征工程、模型、算法、深度学习）和两个最流行的开源平台（sklearn 和 TensorFlow）。通过本书，我们最起码可以了解人工智能的方方面面（广度），以及对人工智能的重点技术有一些基础了解。

      转发
      评论
      用户头像
      给这本书评了
      1.0
      废话太多

      还不如直接上项目代码，反正我不是这本书的读者群

        转发
        评论

      出版方

      清华大学出版社

      清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。