科技
类型
可以朗读
语音朗读
125千字
字数
2025-04-01
发行日期
展开全部
主编推荐语
微软AI产品研发人员“心经”剖析AI原理，介绍AI应用。
内容简介
本书旨在帮助读者从零开始学习人工智能，掌握人工智能的原理、技术和应用。本书共10章，首先是人工智能概述，接着深入浅出地讲解人工智能的原理和技术，包括数据预处理、数据可视化、机器学习基础、监督学习模型、无监督学习算法、神经网络基础、训练深度神经网络等内容，最后讲解人工智能的应用，包括智能对话和知识图谱。
目录
- 版权信息
- 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
展开全部
评分及书评
评分不足
1个评分
- 给这本书评了2.0勉强
本书杂乱无章
出版方
人民邮电出版社
人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。
