舉報 
會員
人工智能技術入門
楊正洪 著
更新時間：2024-03-27 17:36:29
開會員，本書免費讀 >
最新章節：
W
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。
- W 更新時間：2024-03-27 17:36:29
- V
- U
- T
- S
- R
- Q
- P
- O
- N
- M
- L
- K
- I
- H
- G
- F
- E
- D
- C
- B
- A
- 附錄D 術語列表
- 附錄C 本書中采用的人工智能中英文術語
- 附錄B 人工智能網上資料
- 附錄A 人工智能的歷史發展
- 11.4 制造業
- 11.3 公共安全
- 11.2 醫療行業
- 11.1 銀行業
- 第11章 人工智能應用
- 10.4.4 代碼實例
- 10.4.3 獲取嵌入
- 10.4.2 稀疏數據
- 10.4.1 協同過濾
- 10.4 嵌入
- 10.3.3 代碼實例
- 10.3.2 Softmax
- 10.3.1 一對多方法
- 10.3 多類別神經網絡
- 10.2.5 代碼實例
- 10.2.4 隨機失活正則化
- 10.2.3 歸一化特征值
- 10.2.2 反向傳播算法
- 10.2.1 正向傳播算法
- 10.2 訓練神經網絡
- 10.1.4 實例代碼
- 10.1.3 ReLU
- 10.1.2 激活函數
- 10.1.1 隱藏層
- 10.1 什么是神經網絡
- 第10章 神經網絡
- 9.5 L1正則化
- 9.4.3 分類代碼實例
- 9.4.2 預測偏差
- 9.4.1 ROC和AUC
- 9.4 分類
- 9.3 邏輯回歸
- 9.2 L2正則化
- 9.1.4 特征交叉代碼實例
- 9.1.3 分箱（分桶）代碼實例
- 9.1.2 FTRL實踐
- 9.1.1 什么是特征交叉
- 9.1 特征交叉
- 第9章 TensorFlow高級知識
- 8.4.7 特征工程實例
- 8.4.6 分箱（分桶）技術
- 8.4.5 數據清洗
- 8.4.4 好特征
- 8.4.3 枚舉數據（分類數據）
- 8.4.2 字符串數據和獨熱編碼（One-Hot Encoding）
- 8.4.1 數值型數據
- 8.4 特征工程
- 8.3.3 過度擬合實例
- 8.3.2 驗證集
- 8.3.1 訓練集和測試集
- 8.3 過度擬合處理
- 8.2.7 離群值處理
- 8.2.6 合成特征
- 8.2.5 優化模型
- 8.2.4 評估模型
- 8.2.3 訓練模型
- 8.2.2 探索數據
- 8.2.1 加載數據
- 8.2 第一個TensorFlow程序
- 8.1.3 必要的Python知識
- 8.1.2 Pandas速成
- 8.1.1 tf.estimator API
- 8.1 TensorFlow工具包
- 第8章 TensorFlow
- 7.6 深度學習的實現框架
- 7.5 深度學習的優勢
- 7.4.3 卷積神經網絡（CNN）實例
- 7.4.2 卷積層
- 7.4.1 卷積運算
- 7.4 卷積神經網絡
- 7.3.2 正則化方法
- 7.3.1 神經網絡的優化策略
- 7.3 神經網絡的優化和改進
- 7.2.4 梯度下降和反向傳播
- 7.2.3 代價函數
- 7.2.2 向量化
- 7.2.1 神經網絡的參數
- 7.2 神經網絡的訓練
- 7.1.5 激活函數
- 7.1.4 正向傳播
- 7.1.3 深度神經網絡
- 7.1.2 從邏輯回歸到淺層神經網絡
- 7.1.1 深度學習為何崛起
- 7.1 走進深度學習
- 第7章 深度學習
- 6.8.3 嘗試不同算法
- 6.8.2 自動調參
- 6.8.1 訓練和預測
- 6.8 機器學習算法實例
- 6.7.6 圖團體檢測
- 6.7.5 凝聚層次聚類
- 6.7.4 用高斯混合模型的最大期望聚類
- 6.7.3 基于密度的聚類算法
- 6.7.2 均值漂移聚類
- 6.7.1 K均值聚類
- 6.7 聚類算法
- 6.6.3 集成算法之Boosting
- 6.6.2 集成算法之Bagging
- 6.6.1 集成算法簡述
- 6.6 集成算法
- 6.5 決策樹算法
- 6.4.3 算法評價
- 6.4.2 KNN實例：波士頓房價預測
- 6.4.1 超參數k
- 6.4 KNN算法
- 6.3 邏輯回歸算法
- 6.2 支持向量機（SVM）算法
- 6.1.10 AdaBoost
- 6.1.9 隨機森林（Random Forest）
- 6.1.8 支持向量機
- 6.1.7 學習向量量化
- 6.1.6 K最近鄰算法
- 6.1.5 樸素貝葉斯
- 6.1.4 分類與回歸樹分析
- 6.1.3 線性判別分析
- 6.1.2 邏輯回歸
- 6.1.1 線性回歸
- 6.1 算法概述
- 第6章 算法選擇和優化
- 5.7 模型的改進
- 5.6.3 其他的評價指標
- 5.6.2 回歸模型的擬合效果評估
- 5.6.1 分類模型的評估
- 5.6 模型的評估
- 5.5.2 過度擬合的處理方法
- 5.5.1 欠擬合與過度擬合
- 5.5 模型的擬合效果
- 5.4.4 梯度下降的詳細算法
- 5.4.3 三類梯度下降法
- 5.4.2 優化步長
- 5.4.1 步長
- 5.4 梯度下降法
- 5.3.2 迭代法
- 5.3.1 模型與算法的區別
- 5.3 模型的訓練
- 5.2 誤差和MSE
- 5.1 什么是模型
- 第5章 模型訓練和評估
- 4.4.4 特征工程總結
- 4.4.3 特征抽取
- 4.4.2 數據預處理
- 4.4.1 數據相關性分析（手工選擇特征）
- 4.4 特征工程實例分析
- 4.3 降維
- 4.2.4 特征選擇總結
- 4.2.3 Embedded法
- 4.2.2 Wrapper法
- 4.2.1 Filter法
- 4.2 特征選擇
- 4.1.6 數據預處理總結
- 4.1.5 數據變換
- 4.1.4 缺失值處理（用于列向量）
- 4.1.3 對定性特征進行編碼
- 4.1.2 把定量特征二值化（用于列向量）
- 4.1.1 量綱不統一
- 4.1 數據預處理
- 第4章 特征工程
- 3.5.4 更多實例分析
- 3.5.3 Jupyter Notebook
- 3.5.2 第一個機器學習實例
- 3.5.1 scikit-learn簡介
- 3.5 初探機器學習的開源框架
- 3.4 算法
- 3.3.3 特征工程
- 3.3.2 數據清洗
- 3.3.1 探索性分析
- 3.3 數據預處理
- 3.2.6 機器學習的任務流程
- 3.2.5 訓練集、驗證集和測試集
- 3.2.4 特征數據類型
- 3.2.3 強化學習和遷移學習
- 3.2.2 監督式學習和非監督式學習
- 3.2.1 數據集、特征和標簽
- 3.2 機器學習的基本概念
- 3.1.6 機器學習、數據挖掘與數據分析
- 3.1.5 機器學習、深度學習與人工智能
- 3.1.4 對機器學習的全面認識
- 3.1.3 機器學習的本質
- 3.1.2 機器學習的感性認識
- 3.1.1 什么是機器學習
- 3.1 走進機器學習
- 第3章 機器學習概述
- 2.4 AI產業發展趨勢分析
- 2.3.6 自動駕駛
- 2.3.5 醫療
- 2.3.4 智能家居
- 2.3.3 制造業
- 2.3.2 金融
- 2.3.1 安防
- 2.3 應用層
- 2.2.3 計算機視覺
- 2.2.2 語音識別與自然語言處理
- 2.2.1 機器學習
- 2.2 技術層
- 2.1.9 傳感器小結
- 2.1.8 傳感器
- 2.1.7 芯片產業小結
- 2.1.6 亞馬遜的芯片
- 2.1.5 TPU
- 2.1.4 ASIC
- 2.1.3 FPGA
- 2.1.2 GPU
- 2.1.1 芯片產業
- 2.1 基礎層
- 第2章 AI產業
- 1.5 AI技術路線
- 1.4 AI與云計算的關系
- 1.3 AI與大數據的關系
- 1.2.6 游戲
- 1.2.5 機器學習
- 1.2.4 自動駕駛
- 1.2.3 機器人
- 1.2.2 自然語言理解
- 1.2.1 視覺識別
- 1.2 AI技術的成熟度
- 1.1.2 AI的驅動因素
- 1.1.1 火熱的AI
- 1.1 AI是什么
- 第1章 人工智能概述
- 致謝
- 示例代碼及相關下載
- 前言
- 內容簡介
- 版權信息
- 封面
- 封面
- 版權信息
- 內容簡介
- 前言
- 示例代碼及相關下載
- 致謝
- 第1章 人工智能概述
- 1.1 AI是什么
- 1.1.1 火熱的AI
- 1.1.2 AI的驅動因素
- 1.2 AI技術的成熟度
- 1.2.1 視覺識別
- 1.2.2 自然語言理解
- 1.2.3 機器人
- 1.2.4 自動駕駛
- 1.2.5 機器學習
- 1.2.6 游戲
- 1.3 AI與大數據的關系
- 1.4 AI與云計算的關系
- 1.5 AI技術路線
- 第2章 AI產業
- 2.1 基礎層
- 2.1.1 芯片產業
- 2.1.2 GPU
- 2.1.3 FPGA
- 2.1.4 ASIC
- 2.1.5 TPU
- 2.1.6 亞馬遜的芯片
- 2.1.7 芯片產業小結
- 2.1.8 傳感器
- 2.1.9 傳感器小結
- 2.2 技術層
- 2.2.1 機器學習
- 2.2.2 語音識別與自然語言處理
- 2.2.3 計算機視覺
- 2.3 應用層
- 2.3.1 安防
- 2.3.2 金融
- 2.3.3 制造業
- 2.3.4 智能家居
- 2.3.5 醫療
- 2.3.6 自動駕駛
- 2.4 AI產業發展趨勢分析
- 第3章 機器學習概述
- 3.1 走進機器學習
- 3.1.1 什么是機器學習
- 3.1.2 機器學習的感性認識
- 3.1.3 機器學習的本質
- 3.1.4 對機器學習的全面認識
- 3.1.5 機器學習、深度學習與人工智能
- 3.1.6 機器學習、數據挖掘與數據分析
- 3.2 機器學習的基本概念
- 3.2.1 數據集、特征和標簽
- 3.2.2 監督式學習和非監督式學習
- 3.2.3 強化學習和遷移學習
- 3.2.4 特征數據類型
- 3.2.5 訓練集、驗證集和測試集
- 3.2.6 機器學習的任務流程
- 3.3 數據預處理
- 3.3.1 探索性分析
- 3.3.2 數據清洗
- 3.3.3 特征工程
- 3.4 算法
- 3.5 初探機器學習的開源框架
- 3.5.1 scikit-learn簡介
- 3.5.2 第一個機器學習實例
- 3.5.3 Jupyter Notebook
- 3.5.4 更多實例分析
- 第4章 特征工程
- 4.1 數據預處理
- 4.1.1 量綱不統一
- 4.1.2 把定量特征二值化（用于列向量）
- 4.1.3 對定性特征進行編碼
- 4.1.4 缺失值處理（用于列向量）
- 4.1.5 數據變換
- 4.1.6 數據預處理總結
- 4.2 特征選擇
- 4.2.1 Filter法
- 4.2.2 Wrapper法
- 4.2.3 Embedded法
- 4.2.4 特征選擇總結
- 4.3 降維
- 4.4 特征工程實例分析
- 4.4.1 數據相關性分析（手工選擇特征）
- 4.4.2 數據預處理
- 4.4.3 特征抽取
- 4.4.4 特征工程總結
- 第5章 模型訓練和評估
- 5.1 什么是模型
- 5.2 誤差和MSE
- 5.3 模型的訓練
- 5.3.1 模型與算法的區別
- 5.3.2 迭代法
- 5.4 梯度下降法
- 5.4.1 步長
- 5.4.2 優化步長
- 5.4.3 三類梯度下降法
- 5.4.4 梯度下降的詳細算法
- 5.5 模型的擬合效果
- 5.5.1 欠擬合與過度擬合
- 5.5.2 過度擬合的處理方法
- 5.6 模型的評估
- 5.6.1 分類模型的評估
- 5.6.2 回歸模型的擬合效果評估
- 5.6.3 其他的評價指標
- 5.7 模型的改進
- 第6章 算法選擇和優化
- 6.1 算法概述
- 6.1.1 線性回歸
- 6.1.2 邏輯回歸
- 6.1.3 線性判別分析
- 6.1.4 分類與回歸樹分析
- 6.1.5 樸素貝葉斯
- 6.1.6 K最近鄰算法
- 6.1.7 學習向量量化
- 6.1.8 支持向量機
- 6.1.9 隨機森林（Random Forest）
- 6.1.10 AdaBoost
- 6.2 支持向量機（SVM）算法
- 6.3 邏輯回歸算法
- 6.4 KNN算法
- 6.4.1 超參數k
- 6.4.2 KNN實例：波士頓房價預測
- 6.4.3 算法評價
- 6.5 決策樹算法
- 6.6 集成算法
- 6.6.1 集成算法簡述
- 6.6.2 集成算法之Bagging
- 6.6.3 集成算法之Boosting
- 6.7 聚類算法
- 6.7.1 K均值聚類
- 6.7.2 均值漂移聚類
- 6.7.3 基于密度的聚類算法
- 6.7.4 用高斯混合模型的最大期望聚類
- 6.7.5 凝聚層次聚類
- 6.7.6 圖團體檢測
- 6.8 機器學習算法實例
- 6.8.1 訓練和預測
- 6.8.2 自動調參
- 6.8.3 嘗試不同算法
- 第7章 深度學習
- 7.1 走進深度學習
- 7.1.1 深度學習為何崛起
- 7.1.2 從邏輯回歸到淺層神經網絡
- 7.1.3 深度神經網絡
- 7.1.4 正向傳播
- 7.1.5 激活函數
- 7.2 神經網絡的訓練
- 7.2.1 神經網絡的參數
- 7.2.2 向量化
- 7.2.3 代價函數
- 7.2.4 梯度下降和反向傳播
- 7.3 神經網絡的優化和改進
- 7.3.1 神經網絡的優化策略
- 7.3.2 正則化方法
- 7.4 卷積神經網絡
- 7.4.1 卷積運算
- 7.4.2 卷積層
- 7.4.3 卷積神經網絡（CNN）實例
- 7.5 深度學習的優勢
- 7.6 深度學習的實現框架
- 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知識
- 8.2 第一個TensorFlow程序
- 8.2.1 加載數據
- 8.2.2 探索數據
- 8.2.3 訓練模型
- 8.2.4 評估模型
- 8.2.5 優化模型
- 8.2.6 合成特征
- 8.2.7 離群值處理
- 8.3 過度擬合處理
- 8.3.1 訓練集和測試集
- 8.3.2 驗證集
- 8.3.3 過度擬合實例
- 8.4 特征工程
- 8.4.1 數值型數據
- 8.4.2 字符串數據和獨熱編碼（One-Hot Encoding）
- 8.4.3 枚舉數據（分類數據）
- 8.4.4 好特征
- 8.4.5 數據清洗
- 8.4.6 分箱（分桶）技術
- 8.4.7 特征工程實例
- 第9章 TensorFlow高級知識
- 9.1 特征交叉
- 9.1.1 什么是特征交叉
- 9.1.2 FTRL實踐
- 9.1.3 分箱（分桶）代碼實例
- 9.1.4 特征交叉代碼實例
- 9.2 L2正則化
- 9.3 邏輯回歸
- 9.4 分類
- 9.4.1 ROC和AUC
- 9.4.2 預測偏差
- 9.4.3 分類代碼實例
- 9.5 L1正則化
- 第10章 神經網絡
- 10.1 什么是神經網絡
- 10.1.1 隱藏層
- 10.1.2 激活函數
- 10.1.3 ReLU
- 10.1.4 實例代碼
- 10.2 訓練神經網絡
- 10.2.1 正向傳播算法
- 10.2.2 反向傳播算法
- 10.2.3 歸一化特征值
- 10.2.4 隨機失活正則化
- 10.2.5 代碼實例
- 10.3 多類別神經網絡
- 10.3.1 一對多方法
- 10.3.2 Softmax
- 10.3.3 代碼實例
- 10.4 嵌入
- 10.4.1 協同過濾
- 10.4.2 稀疏數據
- 10.4.3 獲取嵌入
- 10.4.4 代碼實例
- 第11章 人工智能應用
- 11.1 銀行業
- 11.2 醫療行業
- 11.3 公共安全
- 11.4 制造業
- 附錄A 人工智能的歷史發展
- 附錄B 人工智能網上資料
- 附錄C 本書中采用的人工智能中英文術語
- 附錄D 術語列表
- A
- B
- C
- D
- E
- F
- G
- H
- I
- K
- L
- M
- N
- O
- P
- Q
- R
- S
- T
- U
- V
- W 更新時間：2024-03-27 17:36:29
