深入浅出人工智能(AI入门的第一本书新时代技术新未来)

人工智能(Artificial Intelligence，AI)技术正在 席卷全球，大家都希望能快 速掌握AI的基本技术，参与 到这个充满前景的领域，但 是苦于缺乏相关的基础，对 AI行业的术语难以快速理解 。本书从基本的概念出发， 以日常生活和工作中的实例 为基础，深入浅出地阐述AI 技术的原理，读者即便没有 任何相关的技术基础，也能 快速掌握主要的概念，从而 完成AI的入门学习。 本书内容涵盖AI基本原 理、机器学习、神经网络等 核心技术，适合IT技术人员 、企业管理者、大学生等读 者群体阅读。

\"张川，工学博士，曾就读于西安建筑科技大学和北京邮电大学。多年来一直致力于人工智能及物联网的前沿领域研究，拥有丰富的AI及IOT研发经验。曾在多家世界500强企业担任重要职位，其间主持并成功开发了多项引领行业潮流的智能产品，包括世界首款智能电视与智能空调。曾著有《智能家庭网络：技术、标准与应用实践》一书，为智能家庭网络领域的发展提供了宝贵的理论与实践指导。 近年来，主要从事人工智能的理论研究及实际开发工作，领导并成功实施了多个大语言模型及AIGC相关研发项目，为推动AI技术与各产业的融合作出了卓越的贡献。 陈海林，工学博士，毕业于上海交通大学，一直从事人工智能、工业互联网及智能家居领域研发工作。在人工智能算法、智能视频分析、机器学习、物联网、云平台及大数据处理等方面拥有深厚的学术背景和丰富的项目实践经验。 曾担任工业互联网产业联盟应用组副主席，发表多篇SCI、EI检索论文，并获得发明专利6项。 曾在三星电子、英特尔、海尔集团、三一重工等国内外知名企业担任研发管理职务，并通过持续创业推动人工智能技术在企业实际运营中的应用。 朱振宇，毕业于电子科技大学，后获清华大学MBA学位。深耕互联网与人工智能行业逾十五年，从事技术管理和产品创新，以其独到的洞察力和卓越的技术实力，在业界赢得了广泛的赞誉。目前致力于人工智能的产品商用推广和应用落地。 \"

第1篇 每个人都能懂的人工智能 第1章 人工智能很简单—从初中数学到专家系统 1.1 用初中数学知识来理解人工智能 1.2 人工智能四大基础心法 1.3 追求女神这件事，技术宅男搞不定 1.4 同样是尬聊，带点智慧结果就不一样了 1.5 专家系统—追女仔，我们是专业的 第2章 机器学习是实现人工智能的必经之路 2.1 机器能帮我们做什么 2.2 机器学习修炼手册 2.3 来来来，围观人家机器是怎么学习的 2.3.1 有监督学习—给出标准答案的学习 2.3.2 无监督学习—“别人家的孩子” 2.3.3 强化学习—真的学霸，能自己探索最优策略 2.4 认识几个专业术语—AI界的“切口” 第2篇 人工智能的底层逻辑 第3章 风起云涌的人工智能战国时代 3.1 一个神族和人族的赌局 3.2 回归预测—未卜先知不是梦 3.2.1 线性回归—做股市里最靓的仔 3.2.2 套索回归&岭回归—线性回归的改良版 3.3.3 让损失函数最小化的方法—梯度下降 3.3 逻辑回归—1912年4月15日 3.4 K近邻—圈子对了，事就成了 3.5 决策树—选择比努力更重要？ 3.5.1 用决策树选出心中的女神 3.5.2 ID3、C4.5和CART算法—不断提高决策的效率 3.5.3 解决过拟合问题—剪枝 3.5.4 随机森林—借助现场观众的智慧 3.6 支持向量机—人脸识别的利器 3.6.1 线性可分问题—楚河汉界 3.6.2 线性不可分问题—靠穿越能解决的都不叫事儿 3.6.3 多分类问题—笨人也有笨办法 3.7 朴素贝叶斯算法—买彩票走向人生巅峰 3.8 算法实战—用人工智能解决实际问题 3.8.12 0分钟搭建Python环境 3.8.2 线性回归—预测鸢尾花的花瓣宽度 3.8.3 逻辑回归—泰坦尼克号乘客的幸存概率 3.8.4 K近邻—给电影分类 3.8.5 支持向量机—判断真正购买的客户 3.8.6 决策树模型—判断能否获得贷款 第4章 神经网络的崛起—不是老夫离不开江湖，而是江湖离不开老夫 4.1 最简单的神经元—大道至简 4.2 加层—神经网络的曲折成佛之路 4.3 神经网络工作的基本原理—大王让我来巡山 4.3.1 狮驼岭的“妖怪神经网络” 4.3.2 国有国法，妖有妖规 4.3.3 模式识别—狮驼岭基本法 4.4 神经网络vs传统机器学习 4.5 深度机器学习的三大步骤—大模型是怎么炼成的 4.5.1 预训练—培养一位合格的运动员 4.5.2 微调—为具体比赛做准备 4.5.3 对齐—查缺补漏 4.6 人工智能科技树回顾 4.7 神经网络实战—让MLP识别6岁孩子写的数字 第3篇 煮酒论模型 第5章 卷积神经网络（CNN）—图像识别背后的技术 5.1 卷积，卷的是什么？ 5.2 用卷积核提取喵星人的特征 5.3 猜错了怎么办？—知错就改，不断进步 5.4 神秘的神经网络—人类无法理解的黑箱 5.5 CNN实战—让机器能识别飞机、汽车、猫和狗 第6章 生成式对抗网络（GAN）—魔高一尺，道高一丈 6.1 两个玩家的博弈—生成器和判别器 6.1.1 生成器—字画伪造者 6.1.2 判别器—字画鉴定师 6.2 多轮“博弈”和“进化” 6.3 要注意的细节 第7章 扩散模型（DiffusionModel）—文字生图 7.1 读心术—女神心里的“520” 7.2 从GAN到VAE—“左右手互搏”vs“经脉逆转” 7.3 扩散模型—越来越火爆的江湖绝技 7.3.1 扩散模型的灵感—覆水可收 7.3.2 从后验概率到DDPM—降低生成图像的难度 7.3.3 基于高斯分布预测噪声—另一种方式实现熵减 7.4 StableDiffusion—文生图的首选 7.4.1 StableDiffusion架构—SD魔法箱里的三件法宝 7.4.2 训练U-Net去除噪声—培训一位合格的雕刻家 7.4.3 基于CLIP模型创作图像—既懂文字又懂图像的专家 第8章 机器翻译，想说爱你不容易 8.1 机翻毁一生 8.2 让机器翻译变得丝滑的奥秘—训练，不断地训练 8.3 单词向量化—编制一个单词向量大辞典 8.3.1 化整为零—让“结巴”来识文断句 8.3.2 向量—硅基生命理解世界的方式 8.3.3 语言向量化的利器—Word2Vec 8.3.4 词向量小结 8.4 理解一段话的重点—你得品，细细地品 8.4.1 注意力不集中，送分题秒变送命题 8.4.2 Transformer—AI界的“九阴真经” 8.4.3 编码器-解码器（Encoder-Decoder）架构 8.4.4 Transformer的秘密—3个神秘矩阵wq、wk、wv 8.4.5 自注意力的计算方法 8.4.6 点乘运算—精确计算两个词语之间的亲密程度 8.4.7 多头注意力—同时关注多个特征 8.4.8 “注意力”与“自注意力”的区别 8.4.9 位置编码—解决语序问题