《認識AI：人工智慧如何賦能商業》是2021年機械工業出版社出版的圖書，作者是[美]道格·羅斯（Doug Rose）。
基本介紹
- 中文名：認識AI：人工智慧如何賦能商業（原書第2版）
- 作者：[美]道格·羅斯（Doug Rose）
- 譯者：劉強
- 出版社：機械工業出版社
- 出版時間：2021年10月
- 頁數：242 頁
- 定價：79.00 元
- 開本：32 開
- ISBN：9787111691778
內容簡介,圖書目錄,作者簡介,
內容簡介
本書分為四個部分。
第1部分簡單概述人工智慧。
第2部分對概述進行擴展，並加深讀者對機器學習的理解。
第3部分涉及神經網路，即計算機通過使用相互連線的多層人工神經元層來模擬人腦的結構和功能。
第4部分介紹一些使用人工智慧輔助商業的常用工具。
圖書目錄
譯者序
序
前言
致謝
第一部分 思考的機器：人工智慧概述
第1章 什麼是人工智慧 2
1.1 什麼是智慧型 3
1.2 測試機器的智慧型 5
1.3 解決問題的一般方法 7
1.4 強人工智慧與弱人工智慧 10
1.5 人工智慧規劃 12
1.6 學習勝過記憶 14
1.7 本章小結 16
第2章 機器學習的興起 18
2.1 機器學習的實際套用 21
2.2 人工神經網路 23
2.3 感知機的興衰 26
2.4 大數據時代來臨 29
2.5 本章小結 32
第3章 聚焦最佳方法 33
3.1 專家系統與機器學習 33
3.2 監督學習與無監督學習 35
3.3 誤差反向傳播 37
3.4 回歸分析 39
3.5 本章小結 41
第4章 通用人工智慧套用 42
4.1 智慧型機器人 43
4.2 自然語言處理 45
4.3 物聯網 47
4.4 本章小結 48
第5章 讓大數據插上人工智慧的翅膀 50
5.1 理解大數據的基本概念 51
5.2 與數據科學家合作 52
5.3 機器學習與數據挖掘的區別 52
5.4 從數據挖掘到機器學習的飛躍 53
5.5 採用正確的方法 54
5.6 本章小結 56
第6章 權衡你的選擇 58
第二部分 機器學習
第7章 什麼是機器學習 64
7.1 機器怎么學習 68
7.2 處理數據 70
7.3 套用機器學習技術 73
7.4 學習的類型介紹 75
7.5 本章小結 78
第8章 機器學習的範式 79
8.1 監督機器學習 79
8.2 無監督機器學習 82
8.3 半監督機器學習 84
8.4 強化學習 86
8.5 本章小結 88
第9章 主流機器學習算法 89
9.1 決策樹 93
9.2 k最近鄰算法 95
9.3 k均值聚類 98
9.4 回歸分析 101
9.5 樸素貝葉斯 103
9.6 本章小結 106
第10章 機器學習算法套用 107
10.1 利用算法模型擬合數據 110
10.2 選擇算法 112
10.3 集成建模 112
10.4 決定機器學習範式 115
10.5 本章小結 115
第11章 幾個建議 117
11.1 開始提問 117
11.2 不要混用訓練數據和測試數據 119
11.3 不要誇大模型的精度 119
11.4 了解你的算法 120
11.5 本章小結 120
第三部分 人工神經網路
第12章 什麼是人工神經網路 124
12.1 為什麼與大腦類比 126
12.2 只是另外一個驚人的算法 126
12.3 了解感知機 128
12.4 採用sigmoid神經元 131
12.5 添加偏置項 133
12.6 本章小結 134
第13章 人工神經網路實戰 136
13.1 將數據輸入神經網路 136
13.2 隱藏層到底發生了什麼 138
13.3 理解激活函式 141
13.4 添加權重 144
13.5 添加偏置項 145
13.6 本章小結 146
第14章 讓神經網路開始學習 147
14.1 從隨機權重和隨機偏置項開始 148
14.2 讓神經網路為錯誤買單：損失函式 149
14.3 結合損失函式和梯度下降法 150
14.4 利用反向傳播糾正誤差 152
14.5 調優神經網路 156
14.6 使用鏈式法則 156
14.7 利用隨機梯度下降法對訓練集批處理 158
14.8 本章小結 159
第15章 利用神經網路進行聚類和分類 160
15.1 求解分類問題 161
15.2 求解聚類問題 163
15.3 本章小結 165
第16章 關鍵挑戰 166
16.1 獲取足夠多的高質量數據 166
16.2 隔離訓練數據與測試數據 168
16.3 謹慎選擇你的訓練數據集 168
16.4 採取探索性的方法 169
16.5 選擇正確的工具解決問題 169
16.6 本章小結 169
第四部分 人工智慧實踐
第17章 利用自然語言處理的威力 172
17.1 利用自然語言理解技術從文本和語音中提取線索 174
17.2 利用自然語言生成技術提供合理的反饋 175
17.3 客戶服務的自動化 177
17.4 梳理主流的自然語言處理工具和資源 179
17.4.1 自然語言理解工具 180
17.4.2 自然語言生成工具 181
17.5 本章小結 183
第18章 客戶互動自動化 184
18.1 選擇自然語言技術 186
18.2 梳理構建聊天機器人及虛擬代理的主流工具 187
18.3 本章小結 189
第19章 提升基於數據的決策 190
19.1 在自動化決策和基於直覺的決策中做出選擇 192
19.2 從物聯網設備實時收集數據 193
19.3 梳理自動化決策工具 194
19.4 本章小結 196
第20章 利用機器學習預測事件及結果 197
20.1 機器學習是關於數據標記的技術 198
20.2 看看機器學習能夠做什麼 200
20.2.1 預測客戶會購買什麼 200
20.2.2 在被問之前回答問題 200
20.2.3 讓決策更好更快 202
20.2.4 在商業中複製專業知識 203
20.3 利用你的能力做好事而不是作惡：機器學習倫理 204
20.4 梳理主流的機器學習工具 206
20.5 本章小結 208
第21章 構建人工智慧系統 210
21.1 區分智慧型化和自動化 212
21.2 在深度學習中增加層 213
21.3 人工神經網路套用 214
21.3.1 將優質客戶分類 215
21.3.2 商店布局推薦 216
21.3.3 分析及跟蹤生物特徵 217
21.4 梳理主流深度學習工具 218
21.5 本章小結 220
作者簡介
道格·羅斯（Doug Rose）
有超過25年為各種組織提供技術、培訓和流程最佳化變革的經驗。他是美國項目管理協會（PMI）關於敏捷框架的第一本主要出版物Leading Agile Teams的作者，還是Data Science: Create Teams That Ask the Right Questions and Deliver Real Value和Enterprise Agility for Dummies兩本書的作者。
Doug擁有雪城大學信息管理學碩士學位、法學學位和威斯康星大學麥迪遜分校的文學學士學位。他還是規模化敏捷框架項目顧問（SPC）、認證技術培訓師（CTT+）、Scrum認證專家（CSP-SM）、認證Scrum Master（CSM）、PMI敏捷管理專業人士（PMI-ACP）、項目管理專業人士資格認證（PMP）和Apache Hadoop認證開發人員（CCDH）。
你可以通過LinkedIn Learning來學習Doug在芝加哥大學或網上的生動有趣的商業和項目管理課程。
Doug在Doug Enterprises工作，在他居住過的所有城市都有Doug Enterprises的辦公室。目前他在喬治亞州的亞特蘭大市暫住，他最喜歡的休閒方式是騎一輛固定的臥式腳踏車或者向兒子解釋漫威宇宙。
譯者簡介
劉強
2009年碩士畢業於中國科學技術大學數學系，有12年大數據與推薦系統相關實戰經驗，是電視貓大數據與人工智慧團隊的負責人。他帶領團隊從零開始搭建公司的大數據平台，將數據分析、數據可視化、推薦系統、搜尋等大數據及AI能力套用於公司業務中。目前，公司近30%的流量來源於推薦和搜尋。他還創建了“數據與智慧型”社區（包括同名的微信公眾號、視頻號、知乎、B站等自媒體平台號），聚焦於數據分析、大數據、推薦系統、機器學習、人工智慧等領域知識的分享與傳播。目前已出版推薦系統專著一部《構建企業級推薦系統：算法、工程實現與案例分析》。
