人工智能蓝图

人工智能蓝图为读者提供了一个可用框架和技术，以构建你自己的成功人工智能业务应用程序。你将在六个业务场景中学习到如何使用最优选的人工智能软件库和成熟的工作流来应对关键挑战。你将学到从最初的设计到完整的编码和部署等构建人工智能业务应用程序的实用技术。 本书给出的人工智能蓝图解决了关键的业务场景。第一个蓝图使用人工智能来寻找解决方案，为云计算构建规划，使其按时且在预算之内。第二个蓝图涉及一个人工智能系统，该系统可以持续监控社交媒体以评估公众对诸如自动驾驶汽车之类感兴趣的话题的感受。你将学习如何解决人工智能业务问题并应用可确保成功的蓝图。 下一个人工智能场景展示了如伺解决创建推荐引擎并监控这些推荐的执行情况的问题。第四个蓝图展示了如何使用深度学习在社交媒体照片中查找你的企业标识并评估人们如何与你的产品进行交互。学习所涉及的实用技术以及如何智能地应用这些蓝图。第五个蓝图是关于如伺优选地设计你的网站上的“当下趋势”部分，就像我们从Twitter上知道的那样。第六个蓝图展示了如何创建有用的聊天机器人，以便人工智能系统可以理解客户的问题并以相关的响应来回答。 本书持续展示了构建人工智能业务应用程序的工作框架和策略。在此过程中，你还将学习如何为人工智能的未来发展做准备。你将获得一个工作流以及一个模式和技术工具箱，这样你就可以创建自己的智能代码。

1 人工智能工作流
人工智能不是万能的
人工智能工作流
确定问题特征
检查清单
开发方法
检查清单
设计部署策略
检查清单
设计并实现持续评估
检查清单
章节概述
本章总结
2 规划云基础设施的蓝图
问题、目标和业务用例
方法：约束求解器
OptaPlanner
部署策略
持续评估
本章总结
3 有效利用反馈的蓝图
问题、目标和业务用例
方法：情感分析
部署策略
CoreNLP处理流水线
Twitter API
GATE平台
Reddit API
News API
带有plotly.js和Dash的仪表板
持续评估
重新训练CoreNLP情感模型
本章总结
4 推荐商品和服务的蓝图
使用场景：隐性反馈
基于内容的推荐
协同过滤推荐
BM25加权算法
矩阵分解
部署策略
持续评估
为BM25加权算法计算准确度和召回率
在线评估推荐系统
本章总结
5 在社交媒体中检测logo的蓝图
机器学习的崛起
目标和业务案例
神经网络与深度学习
深度学习
卷积
网络架构
激励函数
TensorFlow和Keras
YOLO和Darknet
持续评估
本章总结
6 发现趋势和识别异常的蓝图
技术概览
发现线性趋势
利用滑动窗口发现动态线性趋势
发现周期性趋势
ARIMA
动态线性模型
识别异常
静态模型的z分数
滑动窗口的z分数
RPCA
聚类
部署策略
本章总结
7 理解查询和生成响应的蓝图
问题、目标和业务案例
我们的方法
Pokemon领域
课程建议领域
方法——自然语言处理+逻辑编程+自然语言生成
使用Rasa进行自然语言处理
使用Prolog和tuProlog进行逻辑编程
Prolog的合一和消解
通过tuProlog Java库使用Prolog
Prolog中的Pok色mon
使用ShnpleNLG进行自然语言生成
第二个例子——大学课程建议
持续评估
本章总结
8 为未来做好准备并在炒作周期中生存下来
始终领先一步
事物的状态
自然语言处理
计算机视觉
专家系统和业务规则
规划与调度
机器人
了解人工智能的炒作周期
下一个大事件
本章总结