雅书

内容简介：

本书全面讲述人工智能涉及的技术，学完本书后，读者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。

本书适合人工智能技术初学者、人工智能行业准从业人员、AI投资领域的技术专家，也适合作为高等院校和培训学校人工智能相关专业师生的教学参考书。

作者简介：

杨正洪，毕业于美国State University of New York at Stony Brook，在美国硅谷从事AI和大数据相关研发工作十余年，华中科技大学和中国地质大学客座教授，湖北省2013年海外引进人才，并拥有多项国家专利。杨正洪参与了大数据和人工智能的国家标准的制定，在2016年参与了公安部主导的“信息安全技术：大数据平台安全管理产品安全技术要求”的国家标准制定。杨正洪是中关村海外智库专家顾问和住建部中规院专家顾问，曾担任在美上市公司CTO、北京某国企CIO和上海某国企高级副总裁等职。多年从事人工智能与大数据技术的实践，出版了《智慧城市》《大数据技术入门》等多本畅销书。

目  录：

封面

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