|
關(guān)于我們
 書單推薦 新書推薦 |
人工智能與大數(shù)據(jù)技術(shù)導(dǎo)論 
定 價(jià)：98 元
9 7 5 8 1 7 7 3 9 0 8 2 6 
本書全面講述人工智能與大數(shù)據(jù)涉及的技術(shù)，學(xué)完本書后，讀者將對(duì)人工智能技術(shù)有全面的理解，并能掌握AI整體知識(shí)架構(gòu)。
本書共分16章，內(nèi)容包括人工智能概述、AI產(chǎn)業(yè)、數(shù)據(jù)、機(jī)器學(xué)習(xí)概述、模型、機(jī)器學(xué)習(xí)算法、深度學(xué)習(xí)、TensorFlow、神經(jīng)網(wǎng)絡(luò)、知識(shí)圖譜、數(shù)據(jù)挖掘，以及銀行業(yè)、醫(yī)療、公安、工農(nóng)業(yè)等行業(yè)人工智能應(yīng)用情況。附錄給出了極有參考價(jià)值的大數(shù)據(jù)與人工智能產(chǎn)業(yè)參考資料。 本書適合人工智能與大數(shù)據(jù)技術(shù)初學(xué)者、人工智能行業(yè)準(zhǔn)從業(yè)人員、AI投資領(lǐng)域的技術(shù)專家閱讀，也適合作為高等院校和培訓(xùn)學(xué)校人工智能相關(guān)專業(yè)師生的教學(xué)參考書。
本書從人工智能的定義入手，前兩章闡述了人工智能火熱的成因、發(fā)展歷程、產(chǎn)業(yè)鏈、技術(shù)和應(yīng)用場(chǎng)景，從第3章開始詳細(xì)闡述人工智能的幾個(gè)核心技術(shù)（大數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)）和*流行的開源平臺(tái)（TensorFlow）。通過本書，讀者既能了解人工智能的方方面面（廣度），又能深度學(xué)習(xí)人工智能的重點(diǎn)技術(shù)和平臺(tái)工具，*終能夠?qū)⑷斯ぶ悄芗夹g(shù)應(yīng)用到實(shí)際工作場(chǎng)景中，共同創(chuàng)建一個(gè)智能的時(shí)代。
楊正洪，畢業(yè)于美國(guó)State University of New York at Stony Brook，在美國(guó)硅谷從事AI和大數(shù)據(jù)相關(guān)研發(fā)工作十余年，華中科技大學(xué)和中國(guó)地質(zhì)大學(xué)客座教授，湖北省2013年海外引進(jìn)人才，并擁有多項(xiàng)國(guó)家專利。楊正洪參與了大數(shù)據(jù)和人工智能的國(guó)家標(biāo)準(zhǔn)的制定，在2016年參與了公安部主導(dǎo)的“信息安全技術(shù)：大數(shù)據(jù)平臺(tái)安全管理產(chǎn)品安全技術(shù)要求”的國(guó)家標(biāo)準(zhǔn)制定。楊正洪是中關(guān)村海外智庫(kù)專家顧問和住建部中規(guī)院專家顧問，曾擔(dān)任在美上市公司CTO、北京某國(guó)企CIO和上海某國(guó)企高級(jí)副總裁等職。多年從事人工智能與大數(shù)據(jù)技術(shù)的實(shí)踐，出版了《智慧城市》《大數(shù)據(jù)技術(shù)入門》等多本暢銷書。
目 錄
第1章 人工智能概述 1 1.1 AI是什么 1 1.1.1 火熱的AI 2 1.1.2 AI的驅(qū)動(dòng)因素 3 1.2 AI技術(shù)的成熟度 4 1.2.1 視覺識(shí)別 4 1.2.2 自然語(yǔ)言理解 5 1.2.3 機(jī)器人 7 1.2.4 自動(dòng)駕駛 8 1.2.5 機(jī)器學(xué)習(xí) 9 1.2.6 游戲 10 1.3 美國(guó)AI巨頭分析 11 1.4 國(guó)內(nèi)AI現(xiàn)狀 16 1.5 AI與云計(jì)算和大數(shù)據(jù)的關(guān)系 17 1.6 AI技術(shù)路線 17 1.7 AI國(guó)家戰(zhàn)略 18 1.8 AI的歷史發(fā)展 19 第2章 AI產(chǎn)業(yè) 24 2.1 基礎(chǔ)層 25 2.1.1 芯片產(chǎn)業(yè) 25 2.1.2 GPU 27 2.1.3 FPGA 28 2.1.4 ASIC 28 2.1.5 TPU 29 2.1.6 亞馬遜的芯片 31 2.1.7 芯片產(chǎn)業(yè)小結(jié) 32 2.1.8 傳感器 33 2.1.9 傳感器小結(jié) 35 2.2 技術(shù)層 37 2.2.1 機(jī)器學(xué)習(xí) 37 2.2.2 語(yǔ)音識(shí)別與自然語(yǔ)言處理 39 2.2.3 計(jì)算機(jī)視覺 42 2.3 應(yīng)用層 44 2.3.1 安防 44 2.3.2 金融 45 2.3.3 制造業(yè) 47 2.3.4 智能家居 48 2.3.5 醫(yī)療 48 2.3.6 自動(dòng)駕駛 50 2.4 AI產(chǎn)業(yè)發(fā)展趨勢(shì)分析 55 第3章 數(shù) 據(jù) 58 3.1 什么是大數(shù)據(jù) 59 3.1.1 大數(shù)據(jù)的特征 59 3.1.2 大數(shù)據(jù)的誤區(qū) 60 3.1.3 大數(shù)據(jù)交易難點(diǎn) 60 3.1.4 大數(shù)據(jù)的來源 62 3.1.5 數(shù)據(jù)關(guān)聯(lián) 63 3.1.6 大數(shù)據(jù)生產(chǎn)鏈 64 3.1.7 大數(shù)據(jù)怎么用 64 3.2 國(guó)內(nèi)大數(shù)據(jù)現(xiàn)狀 65 3.2.1 政策持續(xù)完善 66 3.2.2 技術(shù)和應(yīng)用逐步落地 66 3.2.3 數(shù)據(jù)產(chǎn)生價(jià)值難 67 3.2.4 問題與機(jī)遇并存 67 3.3 大數(shù)據(jù)的計(jì)算模式 68 3.3.1 流式計(jì)算的應(yīng)用場(chǎng)景 69 3.3.2 流式大數(shù)據(jù)的特征 70 3.3.3 流式計(jì)算關(guān)鍵技術(shù) 72 3.4 大數(shù)據(jù)技術(shù) 74 3.4.1 數(shù)據(jù)技術(shù)的演進(jìn) 75 3.4.2 分布式計(jì)算系統(tǒng)概述 76 3.4.3 Hadoop 77 3.4.4 Spark 80 3.4.5 Storm系統(tǒng) 82 3.4.6 Kafka系統(tǒng) 84 3.4.7 各類技術(shù)平臺(tái)比較 86 3.5 數(shù)據(jù)平臺(tái) 88 3.5.1 數(shù)據(jù)存儲(chǔ)和計(jì)算 89 3.5.2 數(shù)據(jù)質(zhì)量 92 3.5.3 數(shù)據(jù)管理 97 3.5.4 數(shù)據(jù)目錄 99 3.5.5 數(shù)據(jù)安全管控 100 3.5.6 數(shù)據(jù)準(zhǔn)備 102 3.5.7 數(shù)據(jù)整合 107 3.5.8 數(shù)據(jù)服務(wù) 107 3.5.9 數(shù)據(jù)開發(fā) 107 3.5.10 數(shù)據(jù)平臺(tái)總結(jié) 108 3.6 大數(shù)據(jù)的商用途徑 109 3.6.1 數(shù)據(jù)化 109 3.6.2 算法化 109 3.6.3 應(yīng)用化（產(chǎn)品化） 110 3.6.4 生態(tài)化 111 3.7 大數(shù)據(jù)產(chǎn)業(yè) 112 3.7.1 大數(shù)據(jù)產(chǎn)業(yè)界定 112 3.7.2 大數(shù)據(jù)技術(shù)發(fā)展的推動(dòng)力 114 3.7.3 重點(diǎn)行業(yè)的大數(shù)據(jù)應(yīng)用 117 3.7.4 大數(shù)據(jù)應(yīng)用發(fā)展趨勢(shì) 123 3.7.5 大數(shù)據(jù)的產(chǎn)業(yè)鏈構(gòu)成分析 123 3.8 政府大數(shù)據(jù)案例分析 125 3.8.1 政府有哪些數(shù)據(jù)資源 126 3.8.2 政府大數(shù)據(jù)應(yīng)用案例 126 3.8.3 政府大數(shù)據(jù)面臨的挑戰(zhàn) 130 3.8.4 政府大數(shù)據(jù)應(yīng)用啟示 131 第4章 機(jī)器學(xué)習(xí)概述 133 4.1 走進(jìn)機(jī)器學(xué)習(xí) 133 4.1.1 什么是機(jī)器學(xué)習(xí) 133 4.1.2 機(jī)器學(xué)習(xí)的感性認(rèn)識(shí) 133 4.1.3 機(jī)器學(xué)習(xí)的本質(zhì) 134 4.1.4 對(duì)機(jī)器學(xué)習(xí)的全面認(rèn)識(shí) 135 4.1.5 機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與人工智能 136 4.1.6 機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘與數(shù)據(jù)分析 137 4.2 機(jī)器學(xué)習(xí)的基本概念 139 4.2.1 數(shù)據(jù)集、特征和標(biāo)簽 139 4.2.2 監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí) 140 4.2.3 強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí) 140 4.2.4 特征數(shù)據(jù)類型 141 4.2.5 訓(xùn)練集、驗(yàn)證集和測(cè)試集 141 4.2.6 機(jī)器學(xué)習(xí)的任務(wù)流程 142 4.3 數(shù)據(jù)預(yù)處理 142 4.3.1 探索性分析 143 4.3.2 數(shù)據(jù)清洗 143 4.3.3 特征工程 145 第5章 模 型 146 5.1 什么是模型 146 5.2 誤差和MSE 148 5.3 模型的訓(xùn)練 149 5.3.1 模型與算法的區(qū)別 149 5.3.2 迭代法 150 5.4 梯度下降法 151 5.4.1 步長(zhǎng) 152 5.4.2 優(yōu)化步長(zhǎng) 152 5.4.3 三類梯度下降法 153 5.4.4 梯度下降的詳細(xì)算法 154 5.5 模型的擬合效果 155 5.5.1 欠擬合與過擬合 155 5.5.2 過擬合的處理方法 156 5.6 模型的評(píng)估與改進(jìn) 157 5.6.1 機(jī)器學(xué)習(xí)模型的評(píng)估 157 5.6.2 機(jī)器學(xué)習(xí)算法與人類比較 158 5.6.3 改進(jìn)策略 159 5.7 機(jī)器學(xué)習(xí)的實(shí)現(xiàn)框架 160 5.7.1 Python 160 5.7.2 scikit-learn 161 5.7.3 Spark MLlib 163 第6章 機(jī)器學(xué)習(xí)算法 164 6.1 算法概述 164 6.1.1 線性回歸 165 6.1.2 邏輯回歸 165 6.1.3 線性判別分析 166 6.1.4 分類與回歸樹分析 167 6.1.5 樸素貝葉斯 167 6.1.6 K最近鄰算法 168 6.1.7 學(xué)習(xí)矢量量化 168 6.1.8 支持向量機(jī) 169 6.1.9 Bagging和隨機(jī)森林 170 6.1.10 Boosting和AdaBoost 170 6.2 支持向量機(jī)算法 171 6.3 邏輯回歸算法 173 6.4 KNN算法 175 6.4.1 超參數(shù)k 175 6.4.2 KNN實(shí)例：波士頓房?jī)r(jià)預(yù)測(cè) 177 6.4.3 算法評(píng)價(jià) 179 6.5 決策樹算法 179 6.6 集成算法 182 6.6.1 集成算法簡(jiǎn)述 182 6.6.2 集成算法之Bagging 183 6.6.3 集成算法之Boosting 184 6.7 聚類算法 185 6.7.1 K均值聚類 185 6.7.2 均值漂移聚類 186 6.7.3 基于密度的聚類方法 187 6.7.4 用高斯混合模型的最大期望聚類 188 6.7.5 凝聚層次聚類 189 6.7.6 圖團(tuán)體檢測(cè) 190 6.8 機(jī)器學(xué)習(xí)算法總結(jié) 192 第7章 深度學(xué)習(xí) 193 7.1 走進(jìn)深度學(xué)習(xí) 193 7.1.1 深度學(xué)習(xí)為何崛起 194 7.1.2 從邏輯回歸到淺層神經(jīng)網(wǎng)絡(luò) 194 7.1.3 深度神經(jīng)網(wǎng)絡(luò) 196 7.1.4 正向傳播 197 7.1.5 激活函數(shù) 197 7.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 197 7.2.1 神經(jīng)網(wǎng)絡(luò)的參數(shù) 197 7.2.2 向量化 198 7.2.3 價(jià)值函數(shù) 198 7.2.4 梯度下降和反向傳播 198 7.3 神經(jīng)網(wǎng)絡(luò)的優(yōu)化和改進(jìn) 199 7.3.1 神經(jīng)網(wǎng)絡(luò)的優(yōu)化策略 199 7.3.2 正則化方法 201 7.4 卷積神經(jīng)網(wǎng)絡(luò) 203 7.4.1 卷積運(yùn)算 203 7.4.2 卷積層 204 7.4.3 CNN實(shí)例 205 7.5 深度學(xué)習(xí)的優(yōu)勢(shì) 210 7.6 深度學(xué)習(xí)的實(shí)現(xiàn)框架 211 第8章 TensorFlow 213 8.1 TensorFlow工具包 213 8.1.1 tf.estimator API 214 8.1.2 Pandas速成 214 8.1.3 必要的Python知識(shí) 216 8.2 第一個(gè)TensorFlow程序 219 8.2.1 裝載數(shù)據(jù) 220 8.2.2 探索數(shù)據(jù) 221 8.2.3 訓(xùn)練模型 221 8.2.4 評(píng)估模型 223 8.2.5 優(yōu)化模型 225 8.2.6 合成特征 231 8.2.7 離群值處理 234 8.3 過擬合處理 237 8.3.1 訓(xùn)練集和測(cè)試集 238 8.3.2 驗(yàn)證集 239 8.3.3 過擬合實(shí)例 240 8.4 特征工程 249 8.4.1 數(shù)值型數(shù)據(jù) 249 8.4.2 字符串?dāng)?shù)據(jù)和one-hot編碼 250 8.4.3 枚舉數(shù)據(jù)（分類數(shù)據(jù)） 250 8.4.4 好特征 250 8.4.5 數(shù)據(jù)清洗 251 8.4.6 分箱（分桶）技術(shù) 252 8.4.7 特征工程實(shí)例 253 第9章 TensorFlow高級(jí)知識(shí) 263 9.1 特征交叉 263 9.1.1 什么是特征交叉 263 9.1.2 FTRL實(shí)踐 265 9.1.3 分桶（分箱）代碼實(shí)例 268 9.1.4 特征交叉代碼實(shí)例 271 9.2 L2正則化 274 9.3 邏輯回歸 276 9.4 分類 279 9.4.1 評(píng)價(jià)指標(biāo)—準(zhǔn)確率 279 9.4.2 評(píng)價(jià)指標(biāo)—精確率 281 9.4.3 指標(biāo)—召回率 281 9.4.4 評(píng)價(jià)指標(biāo)之綜合考慮 282 9.4.5 ROC 曲線 284 9.4.6 預(yù)測(cè)偏差 285 9.4.7 分類代碼實(shí)例 286 9.5 L1正則化 298 第10章 神經(jīng)網(wǎng)絡(luò) 308 10.1 什么是神經(jīng)網(wǎng)絡(luò) 308 10.1.1 隱藏層 308 10.1.2 激活函數(shù) 309 10.1.3 ReLU 310 10.1.4 實(shí)例代碼 311 10.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò) 320 10.2.1 正向傳播算法 320 10.2.2 反向傳播算法 322 10.2.3 標(biāo)準(zhǔn)化特征值 324 10.2.4 丟棄正則化 324 10.2.5 代碼實(shí)例 325 10.3 多類別神經(jīng)網(wǎng)絡(luò) 340 10.3.1 一對(duì)多方法 340 10.3.2 Softmax 341 10.3.3 代碼實(shí)例 343 10.4 嵌套 357 10.4.1 協(xié)同過濾 358 10.4.2 稀疏數(shù)據(jù) 359 10.4.3 獲取嵌套 360 10.4.4 代碼實(shí)例 360 第11章 知識(shí)圖譜 372 11.1 什么是知識(shí)圖譜 372 11.1.1 知識(shí)圖譜的定義 373 11.1.2 知識(shí)圖譜的架構(gòu) 373 11.1.3 開放知識(shí)圖譜 374 11.1.4 知識(shí)圖譜在行業(yè)數(shù)據(jù)分析中的應(yīng)用 376 11.2 知識(shí)圖譜構(gòu)建的關(guān)鍵技術(shù) 377 11.2.1 知識(shí)提取 378 11.2.2 語(yǔ)義類抽取 379 11.2.3 屬性和屬性值抽取 381 11.2.4 關(guān)系抽取 382 11.2.5 知識(shí)表示 382 11.2.6 知識(shí)融合 383 11.3 知識(shí)計(jì)算及應(yīng)用 384 11.4 企業(yè)知識(shí)圖譜建設(shè) 384 第12章 數(shù)據(jù)挖掘 387 12.1 什么是數(shù)據(jù)挖掘 387 12.1.1 數(shù)據(jù)挖掘技術(shù)產(chǎn)生的背景 387 12.1.2 數(shù)據(jù)挖掘與數(shù)據(jù)分析的區(qū)別 387 12.2 數(shù)據(jù)挖掘技術(shù)（方法） 388 12.2.1 分類 388 12.2.2 聚類 389 12.2.3 回歸分析 389 12.2.4 關(guān)聯(lián)規(guī)則 389 12.2.5 神經(jīng)網(wǎng)絡(luò)方法 390 12.2.6 Web數(shù)據(jù)挖掘 390 12.2.7 特征分析 390 12.2.8 偏差分析 391 12.3 大數(shù)據(jù)思維 391 12.3.1 信度與效度思維 391 12.3.2 分類思維 391 12.3.3 漏斗思維 392 12.3.4 邏輯樹思維 392 12.3.5 時(shí)間序列思維 393 12.3.6 指數(shù)化思維 393 12.3.7 循環(huán)／閉環(huán)思維 394 第13章 銀行業(yè)大數(shù)據(jù)和人工智能 395 13.1 四大行的進(jìn)展 396 13.1.1 建設(shè)銀行 396 13.1.2 工商銀行 396 13.1.3 農(nóng)業(yè)銀行 398 13.1.4 中國(guó)銀行 398 13.2 其他銀行 399 13.2.1 廣發(fā)銀行 399 13.2.2 江蘇銀行 400 13.3 金融宏觀大數(shù)據(jù)分析 404 13.4 小結(jié) 407 13.4.1 大數(shù)據(jù)給銀行帶來的機(jī)遇與挑戰(zhàn) 407 13.4.2 銀行大數(shù)據(jù)體系建設(shè)的思考 409 第14章 醫(yī)療大數(shù)據(jù)和人工智能 412 14.1 醫(yī)療大數(shù)據(jù)的特點(diǎn) 412 14.2 醫(yī)療大數(shù)據(jù)處理模型 413 14.3 醫(yī)療大數(shù)據(jù)的AI應(yīng)用 416 14.3.1 智能輔助診療 416 14.3.2 影像數(shù)據(jù)分析與影像智能診斷 416 14.3.3 合理用藥 416 14.3.4 遠(yuǎn)程監(jiān)控 417 14.3.5 精準(zhǔn)醫(yī)療 417 14.3.6 成本與療效分析 417 14.3.7 績(jī)效管理 417 14.3.8 醫(yī)院控費(fèi) 417 14.3.9 醫(yī)療質(zhì)量分析 418 14.4 人工智能的醫(yī)療應(yīng)用場(chǎng)景 418 14.5 人工智能要當(dāng)“醫(yī)生” 420 14.6 醫(yī)院大數(shù)據(jù) 421 14.7 機(jī)器學(xué)習(xí)在醫(yī)療行業(yè)中的應(yīng)用實(shí)例分析 422 第15章 公安大數(shù)據(jù)和人工智能 424 15.1 公安大數(shù)據(jù)的特點(diǎn) 424 15.2 建設(shè)流程 425 15.3 公安大數(shù)據(jù)管理平臺(tái) 426 15.3.1 公安大數(shù)據(jù)建模 427 15.3.2 公安大數(shù)據(jù)匯集 428 15.3.3 公安大數(shù)據(jù)服務(wù) 428 15.4 公安大數(shù)據(jù)挖掘分析 428 15.5 公安大數(shù)據(jù)AI應(yīng)用 429 15.6 小結(jié) 430 第16章 工農(nóng)業(yè)大數(shù)據(jù)和人工智能 431 16.1 中國(guó)制造2025 432 16.2 工業(yè)大數(shù)據(jù) 433 16.2.1 工業(yè)大數(shù)據(jù)面臨三大制約因素 433 16.2.2 工業(yè)大數(shù)據(jù)應(yīng)用的四大發(fā)展趨勢(shì) 434 16.2.3 發(fā)展工業(yè)大數(shù)據(jù) 434 16.3 AI 制造 435 16.4 農(nóng)業(yè)大數(shù)據(jù) 435 16.4.1 發(fā)展現(xiàn)狀 435 16.4.2 農(nóng)業(yè)大數(shù)據(jù)目標(biāo) 435 16.4.3 農(nóng)業(yè)大數(shù)據(jù)建設(shè)任務(wù) 436 16.4.4 農(nóng)產(chǎn)品質(zhì)量安全追溯 437 附錄 A 國(guó)內(nèi)人工智能企業(yè)名單 438 附錄 B 大數(shù)據(jù)和人工智能網(wǎng)上資料 441 附錄 C 本書中采用的人工智能中英文術(shù)語(yǔ) 444 附錄 D 術(shù)語(yǔ)列表 446
2017年是人工智能（Artificial Intelligence，AI）年，人工智能技術(shù)越來越多地應(yīng)用到日常生活的方方面面。AlphaGo ZERO碾壓AlphaGo實(shí)現(xiàn)自我學(xué)習(xí)，百度無(wú)人汽車上路，iPhone X開啟FaceID，阿里和小米先后發(fā)布智能音箱，肯德基上線人臉支付……這些背后都是人工智能技術(shù)的驅(qū)動(dòng)。2017年7月，國(guó)家發(fā)布了新一代人工智能發(fā)展規(guī)劃，將中國(guó)人工智能產(chǎn)業(yè)的發(fā)展推向了新高度。
人工智能技術(shù)是繼蒸汽機(jī)、電力、互聯(lián)網(wǎng)科技之后最有可能帶來新一次產(chǎn)業(yè)革命浪潮的技術(shù)，在爆炸式的數(shù)據(jù)積累、基于神經(jīng)網(wǎng)絡(luò)模型的新型算法與更加強(qiáng)大、成本更低的計(jì)算力的促進(jìn)下，本次人工智能的發(fā)展受到風(fēng)險(xiǎn)投資的熱烈追捧而處于高速發(fā)展時(shí)期，人工智能技術(shù)的應(yīng)用場(chǎng)景也在各個(gè)行業(yè)逐漸明朗，開始帶來實(shí)際商業(yè)價(jià)值。在金融行業(yè)，人工智能可以在風(fēng)險(xiǎn)控制、資產(chǎn)配置、智能投顧等方向進(jìn)行應(yīng)用，預(yù)計(jì)將帶來約6000億元的降本增益效益。在汽車行業(yè)，人工智能在自動(dòng)駕駛上的技術(shù)突破，將帶來約5000億元的價(jià)值增益。在醫(yī)療行業(yè)，通過人工智能技術(shù)，在藥物研發(fā)領(lǐng)域可以提高成功率，在醫(yī)療服務(wù)機(jī)構(gòu)可以提供疾病診斷輔助、疾病監(jiān)護(hù)輔助，預(yù)計(jì)可以帶來約4000億元的降本價(jià)值。在零售行業(yè)，人工智能在推薦系統(tǒng)上的運(yùn)用將提高在線銷售的銷量，同時(shí)能夠?qū)κ袌?chǎng)進(jìn)行精準(zhǔn)預(yù)測(cè)，降低庫(kù)存，預(yù)計(jì)將帶來約4200億元的降本增益效益。 人工智能是一個(gè)非常廣泛的領(lǐng)域。人工智能技術(shù)涵蓋很多大的學(xué)科，包括計(jì)算機(jī)視覺（模式識(shí)別、圖像處理）、自然語(yǔ)言理解與交流（語(yǔ)音識(shí)別）、認(rèn)知科學(xué)、機(jī)器人學(xué)（機(jī)械、控制、設(shè)計(jì)、運(yùn)動(dòng)規(guī)劃、任務(wù)規(guī)劃等）、機(jī)器學(xué)習(xí)（各種統(tǒng)計(jì)的建模、分析和計(jì)算的方法）。人工智能產(chǎn)業(yè)鏈條涵蓋了基礎(chǔ)層、技術(shù)層、應(yīng)用層等多個(gè)方面，其輻射范圍之大，單一公司無(wú)法包攬人工智能產(chǎn)業(yè)的每個(gè)環(huán)節(jié)，深耕細(xì)分領(lǐng)域和協(xié)作整合多個(gè)產(chǎn)業(yè)間資源的形式成為人工智能領(lǐng)域主要的發(fā)展路徑。 本書從人工智能的定義入手，前兩章闡述了人工智能火熱的成因、發(fā)展歷程、產(chǎn)業(yè)鏈、技術(shù)和應(yīng)用場(chǎng)景，從第3章開始詳細(xì)闡述人工智能的幾個(gè)核心技術(shù)（大數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)）和最流行的開源平臺(tái)（TensorFlow）。通過本書，讀者既能了解人工智能的方方面面（廣度），又能深度學(xué)習(xí)人工智能的重點(diǎn)技術(shù)和平臺(tái)工具，最終能夠?qū)⑷斯ぶ悄芗夹g(shù)應(yīng)用到實(shí)際工作場(chǎng)景中，共同創(chuàng)建一個(gè)智能的時(shí)代。 示例代碼及相關(guān)下載 本書示例代碼及其他相關(guān)材料可掃描右邊的二維碼獲得。 如果下載有問題或?qū)Ρ緯鴥?nèi)容有疑問，請(qǐng)聯(lián)系booksaga@163.com ，郵件主題為“人工智能與大數(shù)據(jù)技術(shù)導(dǎo)論”。
你還可能感興趣
我要評(píng)論
|
