人工智能技术入门

本书阐述人工智能火热的成因、发展历程、产业链、技术和应用场景，详解人工智能的几个核心技术（机器学习、特征工程、模型、算法、深度学习）和两个最流行的开源平台（sklearn和TensorFlow）。通过本书的学习，读者能掌握人工智能技术体系、重点技术和平台工具，为人工智能技术应用到实际工作场景中打下基础。

本书全面讲述人工智能涉及的技术，学完本书后，读者将对人工智能技术有全面的理解，并能掌握AI整体知识架构。本书共分11章，内容包括人工智能概述、AI产业、数据、机器学习概述、模型、机器学习算法、深度学习、TensorFlow、神经网络、知识图谱、数据挖掘，以及银行业、医疗行业、公共安全、制造业等行业人工智能应用情况。附录给出了极有参考价值的人工智能术语列表。本书适合人工智能技术初学者、人工智能行业准从业人员、AI投资领域的技术专家，也适合作为高等院校和培训学校人工智能相关专业师生的教学参考书。

第1章人工智能概述
1.1AI是什么
1.1.1火热的AI
1.1.2AI的驱动因素
1.2AI技术的成熟度
1.2.1视觉识别
1.2.2自然语言理解
1.2.3机器人
1.2.4自动驾驶
1.2.5机器学习
1.2.6游戏
1.3AI与大数据的关系
1.4AI与云计算的关系
1.5AI技术路线
第2章AI产业
2.1基础层
2.1.1芯片产业
2.1.2GPU
2.1.3FPGA
2.1.4ASIC
2.1.5TPU
2.1.6亚马逊的芯片
2.1.7芯片产业小结
2.1.8传感器
2.1.9传感器小结
2.2技术层
2.2.1机器学习
2.2.2语音识别与自然语言处理
2.2.3计算机视觉
2.3应用层
2.3.1安防
2.3.2金融
2.3.3制造业
2.3.4智能家居
2.3.5医疗
2.3.6自动驾驶
2.4AI产业发展趋势分析
第3章机器学习概述
3.1走进机器学习
3.1.1什么是机器学习
3.1.2机器学习的感性认识
3.1.3机器学习的本质
3.1.4对机器学习的全面认识
3.1.5机器学习、深度学习与人工智能
3.1.6机器学习、数据挖掘与数据分析
3.2机器学习的基本概念
3.2.1数据集、特征和标签
3.2.2监督式学习和非监督式学习
3.2.3强化学习和迁移学习
3.2.4特征数据类型
3.2.5训练集、验证集和测试集
3.2.6机器学习的任务流程
3.3数据预处理
3.3.1探索性分析
3.3.2数据清洗
3.3.3特征工程
3.4算法
3.5初探机器学习的开源框架
3.5.1scikit-learn简介
3.5.2第一个机器学习实例
3.5.3JupyterNotebook
3.5.4更多实例分析
第4章特征工程
4.1数据预处理
4.1.1量纲不统一
4.1.2把定量特征二值化（用于列向量）
4.1.3对定性特征进行编码
4.1.4缺失值处理（用于列向量）
4.1.5数据变换
4.1.6数据预处理总结
4.2特征选择
4.2.1Filter法
4.2.2Wrapper法
4.2.3Embedded法
4.2.4特征选择总结
4.3降维
4.4特征工程实例分析
4.4.1数据相关性分析（手工选择特征）
4.4.2数据预处理
4.4.3特征抽取
4.4.4特征工程总结
第5章模型训练和评估
5.1什么是模型
5.2误差和MSE
5.3模型的训练
5.3.1模型与算法的区别
5.3.2迭代法
5.4梯度下降法
5.4.1步长
5.4.2优化步长
5.4.3三类梯度下降法
5.4.4梯度下降的详细算法
5.5模型的拟合效果
5.5.1欠拟合与过度拟合
5.5.2过度拟合的处理方法
5.6模型的评估
5.6.1分类模型的评估
5.6.2回归模型的拟合效果评估
5.6.3其他的评价指标
5.7模型的改进
第6章算法选择和优化
6.1算法概述
6.1.1线性回归
6.1.2逻辑回归
6.1.3线性判别分析
6.1.4分类与回归树分析
6.1.5朴素贝叶斯
6.1.6K最近邻算法
6.1.7学习向量量化
6.1.8支持向量机
6.1.9随机森林（RandomForest）
6.1.10AdaBoost
6.2支持向量机（SVM）算法
6.3逻辑回归算法
6.4KNN算法
6.4.1超参数k
6.4.2KNN实例：波士顿房价预测
6.4.3算法评价
6.5决策树算法
6.6集成算法
6.6.1集成算法简述
6.6.2集成算法之Bagging
6.6.3集成算法之Boosting
6.7聚类算法
6.7.1K均值聚类
6.7.2均值漂移聚类
6.7.3基于密度的聚类算法
6.7.4用高斯混合模型的优选期望聚类
6.7.5凝聚层次聚类
6.7.6图团体检测
6.8机器学习算法实例
6.8.1训练和预测
6.8.2自动调参
6.8.3尝试不同算法
第7章深度学习
7.1走进深度学习
7.1.1深度学习为何崛起
7.1.2从逻辑回归到浅层神经网络
7.1.3深度神经网络
7.1.4正向传播
7.1.5激活函数
7.2神经网络的训练
7.2.1神经网络的参数
7.2.2向量化
7.2.3代价函数
7.2.4梯度下降和反向传播
7.3神经网络的优化和改进
7.3.1神经网络的优化策略
7.3.2正则化方法
7.4卷积神经网络
7.4.1卷积运算
7.4.2卷积层
7.4.3卷积神经网络（CNN）实例
7.5深度学习的优势
7.6深度学习的实现框架
第8章TensorFlow
8.1TensorFlow工具包
8.1.1tf.estimatorAPI
8.1.2Pandas速成
8.1.3必要的Python知识
8.2第一个TensorFlow程序
8.2.1加载数据
8.2.2探索数据
8.2.3训练模型
8.2.4评估模型
8.2.5优化模型
……