掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
人工智能技術叢書人工智能技術入門 版權信息
- ISBN：9787302566434
- 條形碼：9787302566434 ; 978-7-302-56643-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
人工智能技術叢書人工智能技術入門 本書特色
本書闡述人工智能火熱的成因、發展歷程、產業鏈、技術和應用場景，詳解人工智能的幾個核心技術(機器學習、特征工程、模型、算法、深度學習)和兩個*流行的開源平臺(sklearn和TensorFlow)。通過本書的學習，讀者能掌握人工智能技術體系、重點技術和平臺工具，為人工智能技術應用到實際工作場景中打下基礎。 掌握人工智能技術體系與核心算法精通sklearn與TensorFlow兩大平臺工具
人工智能技術叢書人工智能技術入門 內容簡介
本書全面講述人工智能涉及的技術，學完本書后，讀者將對人工智能技術有全面的理解，并能掌握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、制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。
人工智能技術叢書人工智能技術入門 目錄
目 錄
第1章 人工智能概述 1
1.1 AI是什么 2
1.1.1 火熱的AI 2
1.1.2 AI的驅動因素 3
1.2 AI技術的成熟度 4
1.2.1 視覺識別 4
1.2.2 自然語言理解 5
1.2.3 機器人 7
1.2.4 自動駕駛 7
1.2.5 機器學習 8
1.2.6 游戲 9
1.3 AI與大數據的關系 10
1.4 AI與云計算的關系 13
1.5 AI技術路線 14
第2章 AI產業 16
2.1 基礎層 17
2.1.1 芯片產業 18
2.1.2 GPU 20
2.1.3 FPGA 20
2.1.4 ASIC 21
2.1.5 TPU 21
2.1.6 亞馬遜的芯片 22
2.1.7 芯片產業小結 23
2.1.8 傳感器 24
2.1.9 傳感器小結 26
2.2 技術層 27
2.2.1 機器學習 28
2.2.2 語音識別與自然語言處理 29
2.2.3 計算機視覺 32
2.3 應用層 34
2.3.1 安防 34
2.3.2 金融 35
2.3.3 制造業 37
2.3.4 智能家居 37
2.3.5 醫療 38
2.3.6 自動駕駛 40
2.4 AI產業發展趨勢分析 44
第3章 機器學習概述 47
3.1 走進機器學習 47
3.1.1 什么是機器學習 47
3.1.2 機器學習的感性認識 48
3.1.3 機器學習的本質 48
3.1.4 對機器學習的全面認識 50
3.1.5 機器學習、深度學習與人工智能 50
3.1.6 機器學習、數據挖掘與數據分析 51
3.2 機器學習的基本概念 53
3.2.1 數據集、特征和標簽 53
3.2.2 監督式學習和非監督式學習 54
3.2.3 強化學習和遷移學習 54
3.2.4 特征數據類型 56
3.2.5 訓練集、驗證集和測試集 56
3.2.6 機器學習的任務流程 57
3.3 數據預處理 57
3.3.1 探索性分析 58
3.3.2 數據清洗 58
3.3.3 特征工程 59
3.4 算法 60
3.5 初探機器學習的開源框架 61
3.5.1 scikit-learn簡介 62
3.5.2 **個機器學習實例 62
3.5.3 Jupyter Notebook 64
3.5.4 更多實例分析 67
第4章 特征工程 72
4.1 數據預處理 72
4.1.1 量綱不統一 73
4.1.2 把定量特征二值化（用于列向量） 74
4.1.3 對定性特征進行編碼 74
4.1.4 缺失值處理（用于列向量） 76
4.1.5 數據變換 76
4.1.6 數據預處理總結 77
4.2 特征選擇 77
4.2.1 Filter法 78
4.2.2 Wrapper法 78
4.2.3 Embedded法 79
4.2.4 特征選擇總結 79
4.3 降維 79
4.4 特征工程實例分析 80
4.4.1 數據相關性分析（手工選擇特征） 80
4.4.2 數據預處理 82
4.4.3 特征抽取 85
4.4.4 特征工程總結 86
第5章 模型訓練和評估 88
5.1 什么是模型 88
5.2 誤差和MSE 90
5.3 模型的訓練 91
5.3.1 模型與算法的區別 91
5.3.2 迭代法 92
5.4 梯度下降法 93
5.4.1 步長 94
5.4.2 優化步長 94
5.4.3 三類梯度下降法 95
5.4.4 梯度下降的詳細算法 96
5.5 模型的擬合效果 97
5.5.1 欠擬合與過度擬合 97
5.5.2 過度擬合的處理方法 98
5.6 模型的評估 99
5.6.1 分類模型的評估 99
5.6.2 回歸模型的擬合效果評估 106
5.6.3 其他的評價指標 106
5.7 模型的改進 106
第6章 算法選擇和優化 108
6.1 算法概述 108
6.1.1 線性回歸 109
6.1.2 邏輯回歸 109
6.1.3 線性判別分析 111
6.1.4 分類與回歸樹分析 111
6.1.5 樸素貝葉斯 112
6.1.6 K*近鄰算法 113
6.1.7 學習向量量化 113
6.1.8 支持向量機 114
6.1.9 隨機森林（Random Forest） 115
6.1.10 AdaBoost 115
6.2 支持向量機（SVM）算法 116
6.3 邏輯回歸算法 118
6.4 KNN算法 119
6.4.1 超參數k 120
6.4.2 KNN實例：波士頓房價預測 121
6.4.3 算法評價 124
6.5 決策樹算法 124
6.6 集成算法 127
6.6.1 集成算法簡述 127
6.6.2 集成算法之Bagging 127
6.6.3 集成算法之Boosting 128
6.7 聚類算法 129
6.7.1 K均值聚類 130
6.7.2 均值漂移聚類 131
6.7.3 基于密度的聚類算法 132
6.7.4 用高斯混合模型的*大期望聚類 133
6.7.5 凝聚層次聚類 134
6.7.6 圖團體檢測 135
6.8 機器學習算法實例 137
6.8.1 訓練和預測 138
6.8.2 自動調參 139
6.8.3 嘗試不同算法 141
第7章 深度學習 144
7.1 走進深度學習 144
7.1.1 深度學習為何崛起 145
7.1.2 從邏輯回歸到淺層神經網絡 145
7.1.3 深度神經網絡 147
7.1.4 正向傳播 148
7.1.5 激活函數 148
7.2 神經網絡的訓練 148
7.2.1 神經網絡的參數 148
7.2.2 向量化 149
7.2.3 代價函數 149
7.2.4 梯度下降和反向傳播 149
7.3 神經網絡的優化和改進 150
7.3.1 神經網絡的優化策略 150
7.3.2 正則化方法 152
7.4 卷積神經網絡 154
7.4.1 卷積運算 154
7.4.2 卷積層 155
7.4.3 卷積神經網絡（CNN）實例 156
7.5 深度學習的優勢 161
7.6 深度學習的實現框架 162
第8章 TensorFlow 164
8.1 TensorFlow工具包 164
8.1.1 tf.estimator API 165
8.1.2 Pandas速成 165
8.1.3 必要的Python知識 167
8.2 **個TensorFlow程序 169
8.2.1 加載數據 170
8.2.2 探索數據 171
8.2.3 訓練模型 171
8.2.4 評估模型 173
8.2.5 優化模型 175
8.2.6 合成特征 181
8.2.7 離群值處理 184
8.3 過度擬合處理 187
8.3.1 訓練集和測試集 188
8.3.2 驗證集 189
8.3.3 過度擬合實例 190
8.4 特征工程 199
8.4.1 數值型數據 199
8.4.2 字符串數據和獨熱編碼（One-Hot Encoding） 199
8.4.3 枚舉數據（分類數據） 200
8.4.4 好特征 200
8.4.5 數據清洗 200
8.4.6 分箱（分桶）技術 202
8.4.7 特征工程實例 202
第9章 TensorFlow高級知識 212
9.1 特征交叉 212
9.1.1 什么是特征交叉 212
9.1.2 FTRL實踐 214
9.1.3 分箱（分桶）代碼實例 217
9.1.4 特征交叉代碼實例 220
9.2 L2正則化 223
9.3 邏輯回歸 225
9.4 分類 227
9.4.1 ROC和AUC 227
9.4.2 預測偏差 228
9.4.3 分類代碼實例 229
9.5 L1正則化 241
第10章 神經網絡 251
10.1 什么是神經網絡 251
10.1.1 隱藏層 252
10.1.2 激活函數 253
10.1.3 ReLU 254
10.1.4 實例代碼 254
10.2 訓練神經網絡 263
10.2.1 正向傳播算法 263
10.2.2 反向傳播算法 265
10.2.3 歸一化特征值 267
10.2.4 隨機失活正則化 267
10.2.5 代碼實例 268
10.3 多類別神經網絡 284
10.3.1 一對多方法 284
10.3.2 Softmax 285
10.3.3 代碼實例 286
10.4 嵌入 301
10.4.1 協同過濾 301
10.4.2 稀疏數據 302
10.4.3 獲取嵌入 304
10.4.4 代碼實例 304
第11章 人工智能應用 315
11.1 銀行業 315
11.2 醫療行業 316
11.3 公共安全 320
11.4 制造業 321
附錄A 人工智能的歷史發展 322
附錄B 人工智能網上資料 327
附錄C 本書中采用的人工智能中英文術語 330
附錄D 術語列表 332
展開全部
人工智能技術叢書人工智能技術入門 作者簡介
楊正洪，畢業于美國State University of New York at Stony Brook，在美國硅谷從事AI和大數據相關研發工作十余年，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，并擁有多項國家專利。楊正洪參與了大數據和人工智能的國家標準的制定，在2016年參與了公安部主導的“信息安全技術：大數據平臺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。
書友推薦
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
上帝之肋:男人的真實旅程
- >
回憶愛瑪儂
- >
羅庸西南聯大授課錄
- >
朝聞道
- >
姑媽的寶刀
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
本類暢銷
