1、专业作者团队：微软AI产品一线研发人员“心经”，教学方式深浅出。 2、零基础门：帮助初学者构建全面系统的AI知识体系，高效学习AI技术。 3、系统的知识体系：从数据预处理、数据可视化，到监督学习模型、无监督学习算法、深度神经网络的原理，再到AI模型的训练、优化、性能度量，涵盖AI应用的全生命周期。 4、理论与应用并重：介绍各个AI模型的应用场景，包含回归、分类、聚类、图像处理、语音处理、自然语言处理，并介绍智能对话系统和知识图谱。
售 价：¥
纸质售价：¥63.00购买纸书
6.6
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
内容提要
推荐语
前言
资源与支持
第1章 人工智能概述
1.1 人工智能的定义
1.2 人工智能的发展史
1.2.1 “深蓝”战胜人类
1.2.2 AlphaGo
1.3 人工智能的技术原理
1.3.1 机器学习和深度学习
1.3.2 机器学习三要素
1.4 人工智能的应用方向
1.4.1 深度学习应用的四大领域
1.4.2 人工智能的应用场景
1.5 人工智能的影响
1.5.1 人类和机器
1.5.2 人工智能对法律的冲击
1.6 人工智能岗位概述
第2章 数据预处理
2.1 什么是数据预处理
2.1.1 数据处理的流程
2.1.2 数据质量
2.1.3 数据预处理的必要性
2.2 数据清洗
2.2.1 冗余值处理
2.2.2 异常处理
2.2.3 缺失值处理
2.3 特征工程
2.3.1 特征工程的必要性
2.3.2 特征构造
2.3.3 特征筛选
2.3.4 特征编码
2.3.5 数据离散化
2.3.6 数据归一化和数据标准化
第3章 数据可视化
3.1 数据可视化基础
3.2 数据可视化原则
3.2.1 让数据“说话”
3.2.2 尊重事实
3.2.3 适当标注
3.2.4 善用对比
3.2.5 内容重于形式
3.2.6 风格一致
3.3 常用的数据可视化图表
3.3.1 单变量图表
3.3.2 多变量图表
3.3.3 复合图表
3.3.4 高维数据可视化
3.3.5 可视化图表的选择
3.4 数据可视化与人工智能
3.4.1 数据分析与模型选择
3.4.2 模型跟踪
3.4.3 模型理解
3.5 数据可视化与道德的关系
第4章 机器学习基础
4.1 机器学习基本概念
4.1.1 机器学习的定义
4.1.2 机器学习和人工智能的关系
4.1.3 监督学习和无监督学习
4.1.4 模型、数据和算法
4.2 认识机器学习的经典模型及其应用方法
4.2.1 经典模型概览
4.2.2 模型的难易度曲线
4.2.3 如何应用模型
4.2.4 怎样才算学会了一个模型呢
4.2.5 研发新模型
4.3 模型的生命周期
4.3.1 认识模型的生命周期
4.3.2 数据处理阶段
4.3.3 模型生成阶段
4.3.4 模型使用阶段
4.3.5 人工智能模型的局限性
第5章 监督学习模型
5.1 监督学习概述
5.2 线性回归模型
5.2.1 线性回归的定义
5.2.2 一元线性回归
5.2.3 使用梯度下降法求解线性回归模型
5.3 处理分类问题
5.3.1 分类任务
5.3.2 能否使用线性回归模型解决分类问题
5.4 逻辑回归模型
5.4.1 逻辑回归模型的原理
5.4.2 使用逻辑回归模型解决多分类问题
5.5 贝叶斯分类器
5.5.1 贝叶斯公式
5.5.2 朴素贝叶斯分类器
5.6 决策树
5.6.1 ID3算法
5.6.2 C45算法
5.6.3 CART算法
5.6.4 决策树的剪枝
5.7 KNN算法
第6章 无监督学习算法
6.1 无监督学习概述
6.1.1 监督学习与无监督学习
6.1.2 无监督学习的意义
6.2 聚类
6.2.1 聚类的定义
6.2.2 聚类问题中的相似度与距离
6.2.3 k均值算法
6.2.4 谱聚类
6.3 参数估计
6.3.1 高斯分布
6.3.2 高斯混合模型
6.4 降维
6.4.1 降维的意义
6.4.2 主成分分析
第7章 神经网络基础
7.1 认识神经网络
7.1.1 神经网络的定义
7.1.2 训练神经网络
7.2 神经网络的历史和推理
7.2.1 神经网络的发明
7.2.2 神经网络的发展历程
7.2.3 神经网络的推理
7.3 全连接神经网络
7.3.1 全连接神经网络的定义
7.3.2 全连接神经网络的推理
7.3.3 全连接神经网络的训练
7.4 详解神经网络的推理和训练
7.4.1 单神经元全连接神经网络
7.4.2 双层全连接神经网络
7.4.3 梯度消失与梯度爆炸及其解决方法
7.4.4 深度神经网络与深度学习
7.5 更多类型的神经网络
7.5.1 卷积神经网络
7.5.2 循环神经网络
7.5.3 LSTM网络
7.5.4 GRU网络
7.5.5 注意力机制
7.5.6 自注意力机制
7.5.7 Transformer
7.6 经典的神经网络模型
7.6.1 图像处理领域的经典神经网络模型
7.6.2 语音处理领域的经典神经网络模型
7.6.3 自然语言处理领域的经典神经网络模型
7.7 深度学习面临的挑战
第8章 训练深度神经网络
8.1 数据预处理
8.1.1 几种常见的数据预处理方式
8.1.2 数据预处理对模型训练的影响
8.2 权重初始化
8.2.1 权重初始化对模型训练的影响
8.2.2 对模型进行初始化的方法
8.3 模型优化算法
8.3.1 梯度下降法
8.3.2 动量随机梯度下降法
8.3.3 AdaGrad和RMSProp算法
8.3.4 Adam算法
8.3.5 不同优化算法的对比
8.4 正则化
8.4.1 模型的正则化
8.4.2 L1/L2正则化
8.4.3 Dropout
8.4.4 批标准化
8.4.5 正则化方法的选择
8.4.6 数据增强
8.5 学习率和提前停止
8.5.1 学习率对模型训练的影响
8.5.2 学习率衰减
8.5.3 提前停止
8.6 模型训练技巧
第9章 智能对话
9.1 智能对话系统概述
9.1.1 认识智能对话系统
9.1.2 智能对话系统的类别
9.1.3 智能对话系统的技术方向
9.1.4 智能对话系统的历史演进
9.2 自然语言理解模块
9.2.1 自然语言理解模块的作用
9.2.2 自然语言理解模块的核心技术
9.3 知识库模块
9.3.1 FAQ知识库
9.3.2 基于结构化数据库的知识库
9.3.3 基于知识图谱的知识库
9.4 对话流程管理模块
第10章 知识图谱
10.1 认识知识图谱
10.1.1 知识的定义
10.1.2 知识图谱的定义
10.1.3 知识图谱的直观表示方法
10.1.4 知识图谱的作用
10.1.5 基于知识图谱的操作
10.2 知识图谱的数据模型
10.2.1 三元组
10.2.2 属性图模型
10.3 知识图谱的本体及其影响
10.3.1 认识知识图谱的本体
10.3.2 知识图谱本体的影响
10.4 知识图谱的构建
10.4.1 知识抽取
10.4.2 结构化数据的知识抽取
10.4.3 非结构化数据的知识抽取
10.4.4 半结构化数据的知识抽取
10.5 知识图谱的存储
10.5.1 基于RDF的知识图谱存储
10.5.2 基于图数据库的知识图谱存储
10.5.3 图引擎技术
10.6 基于知识图谱的应用
10.6.1 智能对话系统的知识库
10.6.2 作为检索入口的顶点和边
10.6.3 知识图谱对对话流程的支持
10.7 构建一个属于自己的知识图谱
10.7.1 SmartKG
10.7.2 知识图谱模板
10.7.3 知识图谱的可视化、知识查找及智能对话
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
