 |
-- 會員 / 註冊 --
|
 |
|
|
|
人工智能與大數據技術導論 ( 簡體 字) |
| 作者：楊正洪、郭良越、劉瑋 | 類別：1. -> 程式設計 -> 人工智慧 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 50533
詢問書籍請說出此書號！【缺書】
NT售價： 490 元 |
| 出版日：2/1/2019 |
| 頁數：463 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302517986 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：2017年是人工智能（Artificial Intelligence，AI）年，人工智能技術越來越多地應用到日常生活的方方面面。AlphaGo ZERO碾壓AlphaGo實現自我學習，百度無人汽車上路，iPhone X開啟FaceID，阿里和小米先后發布智能音箱，肯德基上線人臉支付……這些背后都是人工智能技術的驅動。2017年7月，國家發布了新一代人工智能發展規劃，將中國人工智能產業的發展推向了新高度。
人工智能技術是繼蒸汽機、電力、互聯網科技之后最有可能帶來新一次產業革命浪潮的技術，在爆炸式的數據積累、基于神經網絡模型的新型算法與更加強大、成本更低的計算力的促進下，本次人工智能的發展受到風險投資的熱烈追捧而處于高速發展時期，人工智能技術的應用場景也在各個行業逐漸明朗，開始帶來實際商業價值。在金融行業，人工智能可以在風險控制、資產配置、智能投顧等方向進行應用，預計將帶來約6000億元的降本增益效益。在汽車行業，人工智能在自動駕駛上的技術突破，將帶來約5000億元的價值增益。在醫療行業，通過人工智能技術，在藥物研發領域可以提高成功率，在醫療服務機構可以提供疾病診斷輔助、疾病監護輔助，預計可以帶來約4000億元的降本價值。在零售行業，人工智能在推薦系統上的運用將提高在線銷售的銷量，同時能夠對市場進行精準預測，降低庫存，預計將帶來約4200億元的降本增益效益。
人工智能是一個非常廣泛的領域。人工智能技術涵蓋很多大的學科，包括計算機視覺（模式識別、圖像處理）、自然語言理解與交流（語音識別）、認知科學、機器人學（機械、控制、設計、運動規劃、任務規劃等）、機器學習（各種統計的建模、分析和計算的方法）。人工智能產業鏈條涵蓋了基礎層、技術層、應用層等多個方面，其輻射范圍之大，單一公司無法包攬人工智能產業的每個環節，深耕細分領域和協作整合多個產業間資源的形式成為人工智能領域主要的發展路徑。
本書從人工智能的定義入手，前兩章闡述了人工智能火熱的成因、發展歷程、產業鏈、技術和應用場景，從第3章開始詳細闡述人工智能的幾個核心技術（大數據、機器學習、深度學習）和最流行的開源平臺（TensorFlow）。通過本書，讀者既能了解人工智能的方方面面（廣度），又能深度學習人工智能的重點技術和平臺工具，最終能夠將人工智能技術應用到實際工作場景中，共同創建一個智能的時代。
示例代碼及相關下載
本書示例代碼及其他相關材料可掃描右邊的二維碼獲得。
如果下載有問題或對本書內容有疑問，請聯系 ，郵件主題為“人工智能與大數據技術導論”。
致謝
在本書的編寫過程中得到了眾多的幫助和支持。特別感謝中國科學院的老師們，感謝戴汝為院士和黃玉霞研究員的科學指導和持續鼓勵，80多歲高齡的戴老師前不久還遠赴廣州為我的人工智能研究站臺。還要特別感謝我在State University of New York at Stony Brook的老師們，導師幫我確定了本書的三個技術方向（深度學習、大數據、算法），幫我掌舵了人工智能的研究方向。最后感謝我曾經工作了10年的IBM硅谷實驗室，從數據管理到大數據再到人工智能，這個實驗室一直站在技術的制高點，10年的工作和研究，讓我獲益匪淺。
除封面署名作者外，參與本書編寫的人員還有：沈常勝、鄧茂、韋國新、歐陽濤、楊正禮、丁齡嘉、劉畢操、范婷、李招、虞?堅、楊磊等。由于作者水平有限，書中難免存在紕漏之處，敬請讀者批評指正。
楊正洪
2018年9月于San Jose |
內容簡介：本書全面講述人工智能與大數據涉及的技術，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16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、公安、工農業等行業人工智能應用情況。附錄給出了極有參考價值的大數據與人工智能產業參考資料。
本書適合人工智能與大數據技術初學者、人工智能行業準從業人員、AI投資領域的技術專家閱讀，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。 |
目錄：第1章人工智能概述 1
1.1AI是什么 1
1.1.1火熱的AI 2
1.1.2AI的驅動因素 3
1.2AI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 8
1.2.5機器學習 9
1.2.6游戲 10
1.3美國AI巨頭分析 11
1.4國內AI現狀 16
1.5AI與云計算和大數據的關系 17
1.6AI技術路線 17
1.7AI國家戰略 18
1.8AI的歷史發展 19
第2章AI產業 24
2.1基礎層 25
2.1.1芯片產業 25
2.1.2GPU 27
2.1.3FPGA 28
2.1.4ASIC 28
2.1.5TPU 29
2.1.6亞馬遜的芯片 31
2.1.7芯片產業小結 32
2.1.8傳感器 33
2.1.9傳感器小結 35
2.2技術層 37
2.2.1機器學習 37
2.2.2語音識別與自然語言處理 39
2.2.3計算機視覺 42
2.3應用層 44
2.3.1安防 44
2.3.2金融 45
2.3.3制造業 47
2.3.4智能家居 48
2.3.5醫療 48
2.3.6自動駕駛 50
2.4AI產業發展趨勢分析 55
第3章數據 58
3.1什么是大數據 59
3.1.1大數據的特征 59
3.1.2大數據的誤區 60
3.1.3大數據交易難點 60
3.1.4大數據的來源 62
3.1.5數據關聯 63
3.1.6大數據生產鏈 64
3.1.7大數據怎么用 64
3.2國內大數據現狀 65
3.2.1政策持續完善 66
3.2.2技術和應用逐步落地 66
3.2.3數據產生價值難 67
3.2.4問題與機遇并存 67
3.3大數據的計算模式 68
3.3.1流式計算的應用場景 69
3.3.2流式大數據的特征 70
3.3.3流式計算關鍵技術 72
3.4大數據技術 74
3.4.1數據技術的演進 75
3.4.2分布式計算系統概述 76
3.4.3Hadoop 77
3.4.4Spark 80
3.4.5Storm系統 82
3.4.6Kafka系統 84
3.4.7各類技術平臺比較 86
3.5數據平臺 88
3.5.1數據存儲和計算 89
3.5.2數據質量 92
3.5.3數據管理 97
3.5.4數據目錄 99
3.5.5數據安全管控 100
3.5.6數據準備 102
3.5.7數據整合 107
3.5.8數據服務 107
3.5.9數據開發 107
3.5.10數據平臺總結 108
3.6大數據的商用途徑 109
3.6.1數據化 109
3.6.2算法化 109
3.6.3應用化（產品化） 110
3.6.4生態化 111
3.7大數據產業 112
3.7.1大數據產業界定 112
3.7.2大數據技術發展的推動力 114
3.7.3重點行業的大數據應用 117
3.7.4大數據應用發展趨勢 123
3.7.5大數據的產業鏈構成分析 123
3.8政府大數據案例分析 125
3.8.1政府有哪些數據資源 126
3.8.2政府大數據應用案例 126
3.8.3政府大數據面臨的挑戰 130
3.8.4政府大數據應用啟示 131
第4章機器學習概述 133
4.1走進機器學習 133
4.1.1什么是機器學習 133
4.1.2機器學習的感性認識 133
4.1.3機器學習的本質 134
4.1.4對機器學習的全面認識 135
4.1.5機器學習、深度學習與人工智能 136
4.1.6機器學習、數據挖掘與數據分析 137
4.2機器學習的基本概念 139
4.2.1數據集、特征和標簽 139
4.2.2監督式學習和非監督式學習 140
4.2.3強化學習和遷移學習 140
4.2.4特征數據類型 141
4.2.5訓練集、驗證集和測試集 141
4.2.6機器學習的任務流程 142
4.3數據預處理 142
4.3.1探索性分析 143
4.3.2數據清洗 143
4.3.3特征工程 145
第5章模型 146
5.1什么是模型 146
5.2誤差和MSE 148
5.3模型的訓練 149
5.3.1模型與算法的區別 149
5.3.2迭代法 150
5.4梯度下降法 151
5.4.1步長 152
5.4.2優化步長 152
5.4.3三類梯度下降法 153
5.4.4梯度下降的詳細算法 154
5.5模型的擬合效果 155
5.5.1欠擬合與過擬合 155
5.5.2過擬合的處理方法 156
5.6模型的評估與改進 157
5.6.1機器學習模型的評估 157
5.6.2機器學習算法與人類比較 158
5.6.3改進策略 159
5.7機器學習的實現框架 160
5.7.1Python 160
5.7.2scikit-learn 161
5.7.3SparkMLlib 163
第6章機器學習算法 164
6.1算法概述 164
6.1.1線性回歸 165
6.1.2邏輯回歸 165
6.1.3線性判別分析 166
6.1.4分類與回歸樹分析 167
6.1.5樸素貝葉斯 167
6.1.6K最近鄰算法 168
6.1.7學習矢量量化 168
6.1.8支持向量機 169
6.1.9Bagging和隨機森林 170
6.1.10Boosting和AdaBoost 170
6.2支持向量機算法 171
6.3邏輯回歸算法 173
6.4KNN算法 175
6.4.1超參數k 175
6.4.2KNN實例：波士頓房價預測 177
6.4.3算法評價 179
6.5決策樹算法 179
6.6集成算法 182
6.6.1集成算法簡述 182
6.6.2集成算法之Bagging 183
6.6.3集成算法之Boosting 184
6.7聚類算法 185
6.7.1K均值聚類 185
6.7.2均值漂移聚類 186
6.7.3基于密度的聚類方法 187
6.7.4用高斯混合模型的最大期望聚類 188
6.7.5凝聚層次聚類 189
6.7.6圖團體檢測 190
6.8機器學習算法總結 192
第7章深度學習 193
7.1走進深度學習 193
7.1.1深度學習為何崛起 194
7.1.2從邏輯回歸到淺層神經網絡 194
7.1.3深度神經網絡 196
7.1.4正向傳播 197
7.1.5激活函數 197
7.2神經網絡的訓練 197
7.2.1神經網絡的參數 197
7.2.2向量化 198
7.2.3價值函數 198
7.2.4梯度下降和反向傳播 198
7.3神經網絡的優化和改進 199
7.3.1神經網絡的優化策略 199
7.3.2正則化方法 201
7.4卷積神經網絡 203
7.4.1卷積運算 203
7.4.2卷積層 204
7.4.3CNN實例 205
7.5深度學習的優勢 210
7.6深度學習的實現框架 211
第8章TensorFlow 213
8.1TensorFlow工具包 213
8.1.1tf.estimatorAPI 214
8.1.2Pandas速成 214
8.1.3必要的Python知識 216
8.2第一個TensorFlow程序 219
8.2.1裝載數據 220
8.2.2探索數據 221
8.2.3訓練模型 221
8.2.4評估模型 223
8.2.5優化模型 225
8.2.6合成特征 231
8.2.7離群值處理 234
8.3過擬合處理 237
8.3.1訓練集和測試集 238
8.3.2驗證集 239
8.3.3過擬合實例 240
8.4特征工程 249
8.4.1數值型數據 249
8.4.2字符串數據和one-hot編碼 250
8.4.3枚舉數據（分類數據） 250
8.4.4好特征 250
8.4.5數據清洗 251
8.4.6分箱（分桶）技術 252
8.4.7特征工程實例 253
第9章TensorFlow高級知識 263
9.1特征交叉 263
9.1.1什么是特征交叉 263
9.1.2FTRL實踐 265
9.1.3分桶（分箱）代碼實例 268
9.1.4特征交叉代碼實例 271
9.2L2正則化 274
9.3邏輯回歸 276
9.4分類 279
9.4.1評價指標—準確率 279
9.4.2評價指標—精確率 281
9.4.3指標—召回率 281
9.4.4評價指標之綜合考慮 282
9.4.5ROC曲線 284
9.4.6預測偏差 285
9.4.7分類代碼實例 286
9.5L1正則化 298
第10章神經網絡 308
10.1什么是神經網絡 308
10.1.1隱藏層 308
10.1.2激活函數 309
10.1.3ReLU 310
10.1.4實例代碼 311
10.2訓練神經網絡 320
10.2.1正向傳播算法 320
10.2.2反向傳播算法 322
10.2.3標準化特征值 324
10.2.4丟棄正則化 324
10.2.5代碼實例 325
10.3多類別神經網絡 340
10.3.1一對多方法 340
10.3.2Softmax 341
10.3.3代碼實例 343
10.4嵌套 357
10.4.1協同過濾 358
10.4.2稀疏數據 359
10.4.3獲取嵌套 360
10.4.4代碼實例 360
第11章知識圖譜 372
11.1什么是知識圖譜 372
11.1.1知識圖譜的定義 373
11.1.2知識圖譜的架構 373
11.1.3開放知識圖譜 374
11.1.4知識圖譜在行業數據分析中的應用 376
11.2知識圖譜構建的關鍵技術 377
11.2.1知識提取 378
11.2.2語義類抽取 379
11.2.3屬性和屬性值抽取 381
11.2.4關系抽取 382
11.2.5知識表示 382
11.2.6知識融合 383
11.3知識計算及應用 384
11.4企業知識圖譜建設 384
第12章數據挖掘 387
12.1什么是數據挖掘 387
12.1.1數據挖掘技術產生的背景 387
12.1.2數據挖掘與數據分析的區別 387
12.2數據挖掘技術（方法） 388
12.2.1分類 388
12.2.2聚類 389
12.2.3回歸分析 389
12.2.4關聯規則 389
12.2.5神經網絡方法 390
12.2.6Web數據挖掘 390
12.2.7特征分析 390
12.2.8偏差分析 391
12.3大數據思維 391
12.3.1信度與效度思維 391
12.3.2分類思維 391
12.3.3漏斗思維 392
12.3.4邏輯樹思維 392
12.3.5時間序列思維 393
12.3.6指數化思維 393
12.3.7循環／閉環思維 394
第13章銀行業大數據和人工智能 395
13.1四大行的進展 396
13.1.1建設銀行 396
13.1.2工商銀行 396
13.1.3農業銀行 398
13.1.4中國銀行 398
13.2其他銀行 399
13.2.1廣發銀行 399
13.2.2江蘇銀行 400
13.3金融宏觀大數據分析 404
13.4小結 407
13.4.1大數據給銀行帶來的機遇與挑戰 407
13.4.2銀行大數據體系建設的思考 409
第14章醫療大數據和人工智能 412
14.1醫療大數據的特點 412
14.2醫療大數據處理模型 413
14.3醫療大數據的AI應用 416
14.3.1智能輔助診療 416
14.3.2影像數據分析與影像智能診斷 416
14.3.3合理用藥 416
14.3.4遠程監控 417
14.3.5精準醫療 417
14.3.6成本與療效分析 417
14.3.7績效管理 417
14.3.8醫院控費 417
14.3.9醫療質量分析 418
14.4人工智能的醫療應用場景 418
14.5人工智能要當“醫生” 420
14.6醫院大數據 421
14.7機器學習在醫療行業中的應用實例分析 422
第15章公安大數據和人工智能 424
15.1公安大數據的特點 424
15.2建設流程 425
15.3公安大數據管理平臺 426
15.3.1公安大數據建模 427
15.3.2公安大數據匯集 428
15.3.3公安大數據服務 428
15.4公安大數據挖掘分析 428
15.5公安大數據AI應用 429
15.6小結 430
第16章工農業大數據和人工智能 431
16.1中國制造2025 432
16.2工業大數據 433
16.2.1工業大數據面臨三大制約因素 433
16.2.2工業大數據應用的四大發展趨勢 434
16.2.3發展工業大數據 434
16.3AI+制造 435
16.4農業大數據 435
16.4.1發展現狀 435
16.4.2農業大數據目標 435
16.4.3農業大數據建設任務 436
16.4.4農產品質量安全追溯 437
附錄A國內人工智能企業名單 438
附錄B大數據和人工智能網上資料 441
附錄C本書中采用的人工智能中英文術語 444
附錄D術語列表 446 |
| 序： |
|
