《人工智慧技術入門》是清華大學出版社於2021年出版的書籍。
基本介紹
- 中文名：人工智慧技術入門
- 作者：楊正洪
- 出版時間：2021年1月1日
- 出版社：清華大學出版社
- ISBN：9787302566434
- 定價：89 元
內容簡介,作者簡介,圖書目錄,
內容簡介
本書全面講述人工智慧涉及的技術，學完本書後，讀者將對人工智慧技術有全面的理解，並能掌握AI整體知識架構。
本書共分11章，內容包括人工智慧概述、AI產業、數據、機器學習概述、模型、機器學習算法、深度學習、TensorFlow、神經網路、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慧套用情況。附錄給出了極有參考價值的人工智慧術語列表。
本書適合人工智慧技術初學者、人工智慧行業準從業人員、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慧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慧的國家標準的制定，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。多年從事人工智慧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。
圖書目錄
第1章 人工智慧概述 1
1.1 AI是什麼 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 遊戲 9
1.3 AI與大數據的關係 10
1.4 AI與雲計算的關係 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 晶片產業 18
2.1.2 GPU 20
2.1.3 FPGA 20
2.1.4 ASIC 21
2.1.5 TPU 21
2.1.6 亞馬遜的晶片 22
2.1.7 晶片產業小結 23
2.1.8 感測器 24
2.1.9 感測器小結 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 套用層 34
2.3.1 安防 34
2.3.2 金融 35
2.3.3 製造業 37
2.3.4 智慧型家居 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 什麼是機器學習 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、深度學習與人工智慧 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、特徵和標籤 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 特徵數據類型 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 特徵工程 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 第一個機器學習實例 62
3.5.3 Jupyter Notebook 64
3.5.4 更多實例分析 67
第4章 特徵工程 72
4.1 數據預處理 72
4.1.1 量綱不統一 73
4.1.2 把定量特徵二值化（用於列向量） 74
4.1.3 對定性特徵進行編碼 74
4.1.4 缺失值處理（用於列向量） 76
4.1.5 數據變換 76
4.1.6 數據預處理總結 77
4.2 特徵選擇 77
4.2.1 Filter法 78
4.2.2 Wrapper法 78
4.2.3 Embedded法 79
4.2.4 特徵選擇總結 79
4.3 降維 79
4.4 特徵工程實例分析 80
4.4.1 數據相關性分析（手工選擇特徵） 80
4.4.2 數據預處理 82
4.4.3 特徵抽取 85
4.4.4 特徵工程總結 86
第5章 模型訓練和評估 88
5.1 什麼是模型 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 疊代法 92
5.4 梯度下降法 93
5.4.1 步長 94
5.4.2 最佳化步長 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 算法選擇和最佳化 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最近鄰算法 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 基於密度的聚類算法 132
6.7.4 用高斯混合模型的最大期望聚類 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路 145
7.1.3 深度神經網路 147
7.1.4 正向傳播 148
7.1.5 激活函式 148
7.2 神經網路的訓練 148
7.2.1 神經網路的參數 148
7.2.2 向量化 149
7.2.3 代價函式 149
7.2.4 梯度下降和反向傳播 149
7.3 神經網路的最佳化和改進 150
7.3.1 神經網路的最佳化策略 150
7.3.2 正則化方法 152
7.4 卷積神經網路 154
7.4.1 卷積運算 154
7.4.2 卷積層 155
7.4.3 卷積神經網路（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 第一個TensorFlow程式 169
8.2.1 載入數據 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 最佳化模型 175
8.2.6 合成特徵 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 特徵工程 199
8.4.1 數值型數據 199
8.4.2 字元串數據和獨熱編碼（One-Hot Encoding） 199
8.4.3 枚舉數據（分類數據） 200
8.4.4 好特徵 200
8.4.5 數據清洗 200
8.4.6 分箱（分桶）技術 202
8.4.7 特徵工程實例 202
第9章 TensorFlow高級知識 212
9.1 特徵交叉 212
9.1.1 什麼是特徵交叉 212
9.1.2 FTRL實踐 214
9.1.3 分箱（分桶）代碼實例 217
9.1.4 特徵交叉代碼實例 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 神經網路 251
10.1 什麼是神經網路 251
10.1.1 隱藏層 252
10.1.2 激活函式 253
10.1.3 ReLU 254
10.1.4 實例代碼 254
10.2 訓練神經網路 263
10.2.1 正向傳播算法 263
10.2.2 反向傳播算法 265
10.2.3 歸一化特徵值 267
10.2.4 隨機失活正則化 267
10.2.5 代碼實例 268
10.3 多類別神經網路 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 人工智慧套用 315
11.1 銀行業 315
11.2 醫療行業 316
11.3 公共安全 320
11.4 製造業 321
附錄A 人工智慧的歷史發展 322
附錄B 人工智慧網上資料 327
附錄C 本書中採用的人工智慧中英文術語 330
附錄D 術語列表 332
