互联网
类型
可以朗读
语音朗读
131千字
字数
2024-08-01
发行日期
展开全部
主编推荐语
全面精通人工智能训练，成为行业领先、更懂AI的人。
内容简介
本书内容系统、全面，实例丰富，共有10章，包括51个实操案例解析和80个行业案例分析。通过学习本书，读者可以从零开始，逐步掌握人工智能的核心技术，成为合格的AI训练师。本书附赠了同步教学视频＋PPT 教学课件＋素材＋效果＋AI提示词等资源。
书中内容从技能线和案例线展开介绍，具体内容如下。
技能线：从人工智能的相关技术入手，不仅介绍了AI训练师的发展历程和行业动态，还重点讲述了AI训练师的职业技能提升方法，具体内容包括认识AI训练师、能力培养、Python编程语言、机器
学习算法、深度学习算法、自然语言处理、数据标注、神经网络训练、模型评估和优化、管理和部署等，对人工智能训练相关工作做了系统的描述和指导。
案例线：不仅涵盖了AI领域的各个方面，而且非常注重算法与模型的实际应用，通过分析大量的经典案例，如Amazon、华为、ChatGPT、文心一格、Photoshop、海尔、小米、支付宝、百度、京东、阿里巴巴、美团、网易云商、文心一言、淘宝、剪映、Google、今日头条、携程旅行、字节跳动、Stable Diffusion等，可以让读者更好地掌握AI训练的相关技能。
目录
- 版权信息
- 内容提要
- 前言
- 第1章 认识AI新职业
- 1.1 认识人工智能
- 1.1.1 认识人工智能：用AI开启全新时代
- 1.1.2 层级分类：解析人工智能的能力
- 1.1.3 技术革新：人工智能如何改变世界
- 1.1.4 十大行业变革：人工智能引领的未来趋势
- 1.1.5 AI训练师的出现：赋予人工智能“人性之魂”
- 1.2 全方位了解AI训练师
- 1.2.1 AI训练师的起源：技术发展的必然产物
- 1.2.2 AI训练师的基础能力：专业素养与实践技能
- 1.2.3 AI训练师的人才缺口：挑战与机遇并存
- 1.2.4 AI训练师的职业规划：持续发展与未来展望
- 1.2.5 AI训练师的发展前景：新兴职业的无限可能
- 本章小结
- 课后习题
- 第2章 能力培养
- 2.1 AI训练师知识与技能的全面解析
- 2.1.1 计算机操作知识：AI训练师基础中的基础
- 2.1.2 数学基础知识：AI训练师的核心能力
- 2.1.3 编程技能：实现人工智能的关键所在
- 2.1.4 特征能力工程：挖掘数据深层价值的艺术
- 2.1.5 数据处理知识：数据为王的时代必备
- 2.1.6 人工智能基础知识：深入理解AI的脉络
- 2.2 AI训练师的工作职责与从业领域
- 2.2.1 AI训练师工作职责：赋予人工智能生命与智慧
- 2.2.2 AI训练师从业领域：实现更智能化的解决方案
- 本章小结
- 课后习题
- 第3章 编程语言
- 3.1 Python的安装与部署流程
- 3.1.1 下载与安装Python
- 3.1.2 配置Python环境变量
- 3.2 6个技巧，学会Python编程的语法格式
- 3.2.1 使用Python基础语法：输出英文字符
- 3.2.2 使用Python中文编码：输出中文字符
- 3.2.3 设置Python变量赋值：定义不同数据
- 3.2.4 使用Python运算符：进行加减乘除计算
- 3.2.5 使用Python条件语句：对比数的大小
- 3.2.6 使用Python循环语句：输出一系列数字
- 3.3 AI训练师实战：5个实例，精通Python编程
- 3.3.1 实例1：使用Python计算业绩提成奖金
- 3.3.2 实例2：使用Python由小到大排列数字
- 3.3.3 实例3：使用Python输出斐波那契数列
- 3.3.4 实例4：使用Python输出九九乘法口诀表
- 3.3.5 实例5：使用Python制作猜数字游戏
- 本章小结
- 课后习题
- 第4章 机器学习算法
- 4.1 认识机器学习算法
- 4.1.1 机器学习与人工智能：共筑智能未来
- 4.1.2 3个基本类型：了解机器学习算法的技术原理
- 4.1.3 6个基本流程：看懂机器学习算法的工作方式
- 4.2 6类场景，精通机器学习算法的应用
- 4.2.1 图像识别和分类：人脸识别、图像检索、物体识别
- 4.2.2 自然语言处理：机器翻译、文本分类、语音识别
- 4.2.3 推荐系统：电商平台商品推荐、社交媒体内容推荐
- 4.2.4 工业制造：质量控制、异常检测
- 4.2.5 自动驾驶：视觉感知、路况识别
- 4.2.6 环境保护：气象预测、大气污染监测
- 本章小结
- 课后习题
- 第5章 深度学习算法
- 5.1 认识深度学习算法
- 5.1.1 概念解读：认识深度学习算法
- 5.1.2 深入对比：机器学习与深度学习的区别
- 5.1.3 工作原理：深度学习算法的底层逻辑
- 5.2 AI训练师实战：8个实例，掌握深度学习的应用场景
- 5.2.1 实例1：使用AI生成绘画作品
- 5.2.2 实例2：使用AI翻译方言
- 5.2.3 实例3：使用AI推荐美食
- 5.2.4 实例4：使用AI充当旅游助手
- 5.2.5 实例5：使用AI识别中文表格
- 5.2.6 实例6：使用AI识别车牌
- 5.2.7 实例7：使用AI总结网页内容
- 5.2.8 实例8：使用AI进行语音聊天
- 本章小结
- 课后习题
- 第6章 自然语言处理
- 6.1 认识自然语言处理
- 6.1.1 概念解读：什么是自然语言处理？
- 6.1.2 底层原理：语言学与计算机科学的交汇
- 6.1.3 自然语言处理的两种途径：传统与深度
- 6.1.4 自然语言处理的两大核心任务：理解与生成
- 6.1.5 语料预处理的6个关键步骤
- 6.2 5类场景，精通自然语言处理的应用
- 6.2.1 情感分析：理解文本中的情感倾向
- 6.2.2 聊天机器人：模拟人类对话的智能助手
- 6.2.3 语音识别：将声音转化为文字的科技奇迹
- 6.2.4 机器翻译：无界沟通
- 6.2.5 自动摘要：快速理解与提炼文本内容的利器
- 6.3 AI训练师实战：5个步骤，训练Embedding语言模型
- 6.3.1 认识模型：Embedding模型训练概述
- 6.3.2 优化参数：对Stable Diffusion进行配置
- 6.3.3 数据标注：对图像进行预处理操作
- 6.3.4 创建模型：生成嵌入式Embedding模型
- 6.3.5 训练模型：用Embedding打包提示词
- 本章小结
- 课后习题
- 第7章 数据标注
- 7.1 认识数据标注
- 7.1.1 定义与重要性分析：看懂数据标注的内涵
- 7.1.2 数据标注类型：各类标注的区分与应用场景
- 7.1.3 高效标注方法：提升标注效率和准确率的技巧
- 7.2 AI训练师实战：5个实例，掌握VGG数据标注工具
- 7.2.1 实例1：重建3D人脸模型
- 7.2.2 实例2：检索人体姿态
- 7.2.3 实例3：检索视频内容
- 7.2.4 实例4：检索绘画作品
- 7.2.5 实例5：标注图像信息
- 本章小结
- 课后习题
- 第8章 神经网络训练
- 8.1 认识神经网络
- 8.1.1 概念：什么是神经网络？
- 8.1.2 原理：神经网络的组成结构
- 8.1.3 技巧：神经网络的训练方法
- 8.2 AI训练师必知的6种神经网络架构
- 8.2.1 感知机：用于解决模式识别问题
- 8.2.2 卷积神经网络：捕捉图像的空间结构
- 8.2.3 循环神经网络：用于处理序列数据
- 8.2.4 生成对抗网络：相互博弈以提升模型性能
- 8.2.5 递归神经网络：对序列数据进行有效处理
- 8.2.6 长短期记忆网络：处理自然语言序列等任务
- 8.3 AI训练师实战：5个流程，训练特定画风的LoRA模型
- 8.3.1 认识模型：LoRA模型训练概述
- 8.3.2 准备工作：安装训练器与整理数据集
- 8.3.3 数据标注：图像预处理和打标优化
- 8.3.4 参数调整：设置训练模型和数据集
- 8.3.5 测试模型：评估模型应用效果
- 本章小结
- 课后习题
- 第9章 模型评估和优化
- 9.1 5个指标，评估训练好的AI模型
- 9.1.1 准确率：直观展示模型的整体性能
- 9.1.2 精度：控制模型评估的误报率
- 9.1.3 F1分数：更全面地评估分类器的性能
- 9.1.4 误差：更好地处理异常值带来的影响
- 9.1.5 ROC曲线：显示不同分类阈值下模型的性能
- 9.2 8个方法，优化AI模型的性能
- 9.2.1 Holdout检验：用训练集训练模型并测试性能
- 9.2.2 交叉验证：实现更稳定、可靠的模型性能
- 9.2.3 验证曲线与学习曲线：了解模型是否过拟合或欠拟合
- 9.2.4 自助法：通过重抽样技术来进行模型训练和评估
- 9.2.5 模型调参：找到最优超参数组合，提高模型性能
- 9.2.6 数据预处理：有效改善模型训练数据的质量和分布
- 9.2.7 特征选择：降低维度、提高模型性能的有效方法
- 9.2.8 集成学习：有效提高模型的鲁棒性和泛化能力
- 9.3 AI训练师实战：通过融合模型优化AI绘画效果
- 9.3.1 融合模型：提升训练好的模型性能
- 9.3.2 测试模型：应用模型生成AI画作
- 本章小结
- 课后习题
- 第10章 管理和部署
- 10.1 4个流程，管理AI模型
- 10.1.1 流程1：模型的开发与管理
- 10.1.2 流程2：数据集的管理和维护
- 10.1.3 流程3：模型部署和性能优化
- 10.1.4 流程4：持续监控和迭代改进
- 10.2 4种方式，部署AI模型
- 10.2.1 本地部署：稳定性高、安全性好
- 10.2.2 服务器端部署：扩展性强、灵活性高
- 10.2.3 无服务器部署：管理简便、成本较低
- 10.2.4 容器化部署：隔离性好、可移植性强
- 10.3 AI训练师实战：6个步骤，训练和发布ChatGPT模型
- 10.3.1 第一步：创建ChatGPT应用
- 10.3.2 第二步：设置AI对话提示词
- 10.3.3 第三步：设置训练模型及参数
- 10.3.4 第四步：构建并填充知识库
- 10.3.5 第五步：文本分段与清洗
- 10.3.6 第六步：添加数据集并发布ChatGPT应用
- 本章小结
- 课后习题
- 附录 课后习题答案
展开全部
评分及书评
尚无评分
目前还没人评分
出版方
北京大学出版社
北京大学出版社是在1979年，经国家出版事业管理局同意，教育部批准成立的，恢复了北京大学出版社建制。北京大学出版社依靠北大雄厚的教学、科研力量，同时积极争取国内外专家学者的合作支持，出版了大量高水平、高质量、适应多层次需要的优秀高等教育教材。 北大出版社注意对教材进行全面追踪，捕捉信息，及时修订，以跟上各学科的最新发展，反映该学科研究的最新成果，保持北大版教材的领先地位。
