书籍详情
认识AI：人工智能如何赋能商业（原书第2版）
作者：[美] 道格·罗斯（Doug Rose） 著，刘强 译
出版社：机械工业出版社
出版时间：2021-10-01
ISBN：9787111691778
定价：¥79.00
购买这本书可以去
内容简介
本书分为四个部分。 第1部分简单概述人工智能。 第2部分对概述进行扩展，并加深读者对机器学习的理解。 第3部分涉及神经网络，即计算机通过使用相互连接的多层人工神经元层来模拟人脑的结构和功能。 第4部分介绍一些使用人工智能辅助商业的常用工具。
作者简介
道格·罗斯（Doug Rose）有超过25年为各种组织提供技术、培训和流程优化变革的经验。他是美国项目管理协会（PMI）关于敏捷框架的第一本主要出版物Leading Agile Teams的作者，还是Data Science： Create Teams That Ask the Right Questions and Deliver Real Value和Enterprise Agility for Dummies两本书的作者。 Doug拥有雪城大学信息管理学硕士学位、法学学位和威斯康星大学麦迪逊分校的文学学士学位。他还是规模化敏捷框架项目顾问（SPC）、认证技术培训师（CTT+）、Scrum认证专家（CSP-SM）、认证Scrum Master（CSM）、PMI敏捷管理专业人士（PMI-ACP）、项目管理专业人士资格认证（PMP）和Apache Hadoop认证开发人员（CCDH）。 你可以通过LinkedIn Learning来学习Doug在芝加哥大学或网上的生动有趣的商业和项目管理课程。 Doug在Doug Enterprises工作，在他居住过的所有城市都有Doug Enterprises的办公室。目前他在佐治亚州的亚特兰大市暂住，他最喜欢的休闲方式是骑一辆固定的卧式自行车或者向儿子解释漫威宇宙。译者简介刘强 2009年硕士毕业于中国科学技术大学数学系，有12年大数据与推荐系统相关实战经验，是电视猫大数据与人工智能团队的负责人。他带领团队从零开始搭建公司的大数据平台，将数据分析、数据可视化、推荐系统、搜索等大数据及AI能力应用于公司业务中。目前，公司近30%的流量来源于推荐和搜索。他还创建了“数据与智能”社区（包括同名的微信公众号、视频号、知乎、B站等自媒体平台号），聚焦于数据分析、大数据、推荐系统、机器学习、人工智能等领域知识的分享与传播。目前已出版推荐系统专著一部《构建企业级推荐系统：算法、工程实现与案例分析》。
目录
译者序
序
前言
致谢
第一部分 思考的机器：人工智能概述
第1章 什么是人工智能 2
1.1 什么是智能 3
1.2 测试机器的智能 5
1.3 解决问题的一般方法 7
1.4 强人工智能与弱人工智能 10
1.5 人工智能规划 12
1.6 学习胜过记忆 14
1.7 本章小结 16
第2章 机器学习的兴起 18
2.1 机器学习的实际应用 21
2.2 人工神经网络 23
2.3 感知机的兴衰 26
2.4 大数据时代来临 29
2.5 本章小结 32
第3章 聚焦最佳方法 33
3.1 专家系统与机器学习 33
3.2 监督学习与无监督学习 35
3.3 误差反向传播 37
3.4 回归分析 39
3.5 本章小结 41
第4章 通用人工智能应用 42
4.1 智能机器人 43
4.2 自然语言处理 45
4.3 物联网 47
4.4 本章小结 48
第5章 让大数据插上人工智能的翅膀 50
5.1 理解大数据的基本概念 51
5.2 与数据科学家合作 52
5.3 机器学习与数据挖掘的区别 52
5.4 从数据挖掘到机器学习的飞跃 53
5.5 采用正确的方法 54
5.6 本章小结 56
第6章 权衡你的选择 58
第二部分 机器学习
第7章 什么是机器学习 64
7.1 机器怎么学习 68
7.2 处理数据 70
7.3 应用机器学习技术 73
7.4 学习的类型介绍 75
7.5 本章小结 78
第8章 机器学习的范式 79
8.1 监督机器学习 79
8.2 无监督机器学习 82
8.3 半监督机器学习 84
8.4 强化学习 86
8.5 本章小结 88
第9章 主流机器学习算法 89
9.1 决策树 93
9.2 k最近邻算法 95
9.3 k均值聚类 98
9.4 回归分析 101
9.5 朴素贝叶斯 103
9.6 本章小结 106
第10章 机器学习算法应用 107
10.1 利用算法模型拟合数据 110
10.2 选择算法 112
10.3 集成建模 112
10.4 决定机器学习范式 115
10.5 本章小结 115
第11章 几个建议 117
11.1 开始提问 117
11.2 不要混用训练数据和测试数据 119
11.3 不要夸大模型的精度 119
11.4 了解你的算法 120
11.5 本章小结 120
第三部分 人工神经网络
第12章 什么是人工神经网络 124
12.1 为什么与大脑类比 126
12.2 只是另外一个惊人的算法 126
12.3 了解感知机 128
12.4 采用sigmoid神经元 131
12.5 添加偏置项 133
12.6 本章小结 134
第13章 人工神经网络实战 136
13.1 将数据输入神经网络 136
13.2 隐藏层到底发生了什么 138
13.3 理解激活函数 141
13.4 添加权重 144
13.5 添加偏置项 145
13.6 本章小结 146
第14章 让神经网络开始学习 147
14.1 从随机权重和随机偏置项开始 148
14.2 让神经网络为错误买单：损失函数 149
14.3 结合损失函数和梯度下降法 150
14.4 利用反向传播纠正误差 152
14.5 调优神经网络 156
14.6 使用链式法则 156
14.7 利用随机梯度下降法对训练集批处理 158
14.8 本章小结 159
第15章 利用神经网络进行聚类和分类 160
15.1 求解分类问题 161
15.2 求解聚类问题 163
15.3 本章小结 165
第16章 关键挑战 166
16.1 获取足够多的高质量数据 166
16.2 隔离训练数据与测试数据 168
16.3 谨慎选择你的训练数据集 168
16.4 采取探索性的方法 169
16.5 选择正确的工具解决问题 169
16.6 本章小结 169
第四部分 人工智能实践
第17章 利用自然语言处理的威力 172
17.1 利用自然语言理解技术从文本和语音中提取线索 174
17.2 利用自然语言生成技术提供合理的反馈 175
17.3 客户服务的自动化 177
17.4 梳理主流的自然语言处理工具和资源 179
17.4.1 自然语言理解工具 180
17.4.2 自然语言生成工具 181
17.5 本章小结 183
第18章 客户互动自动化 184
18.1 选择自然语言技术 186
18.2 梳理构建聊天机器人及虚拟代理的主流工具 187
18.3 本章小结 189
第19章 提升基于数据的决策 190
19.1 在自动化决策和基于直觉的决策中做出选择 192
19.2 从物联网设备实时收集数据 193
19.3 梳理自动化决策工具 194
19.4 本章小结 196
第20章 利用机器学习预测事件及结果 197
20.1 机器学习是关于数据标记的技术 198
20.2 看看机器学习能够做什么 200
20.2.1 预测客户会购买什么 200
20.2.2 在被问之前回答问题 200
20.2.3 让决策更好更快 202
20.2.4 在商业中复制专业知识 203
20.3 利用你的能力做好事而不是作恶：机器学习伦理 204
20.4 梳理主流的机器学习工具 206
20.5 本章小结 208
第21章 构建人工智能系统 210
21.1 区分智能化和自动化 212
21.2 在深度学习中增加层 213
21.3 人工神经网络应用 214
21.3.1 将优质客户分类 215
21.3.2 商店布局推荐 216
21.3.3 分析及跟踪生物特征 217
21.4 梳理主流深度学习工具 218
21.5 本章小结 220
序
前言
致谢
第一部分 思考的机器：人工智能概述
第1章 什么是人工智能 2
1.1 什么是智能 3
1.2 测试机器的智能 5
1.3 解决问题的一般方法 7
1.4 强人工智能与弱人工智能 10
1.5 人工智能规划 12
1.6 学习胜过记忆 14
1.7 本章小结 16
第2章 机器学习的兴起 18
2.1 机器学习的实际应用 21
2.2 人工神经网络 23
2.3 感知机的兴衰 26
2.4 大数据时代来临 29
2.5 本章小结 32
第3章 聚焦最佳方法 33
3.1 专家系统与机器学习 33
3.2 监督学习与无监督学习 35
3.3 误差反向传播 37
3.4 回归分析 39
3.5 本章小结 41
第4章 通用人工智能应用 42
4.1 智能机器人 43
4.2 自然语言处理 45
4.3 物联网 47
4.4 本章小结 48
第5章 让大数据插上人工智能的翅膀 50
5.1 理解大数据的基本概念 51
5.2 与数据科学家合作 52
5.3 机器学习与数据挖掘的区别 52
5.4 从数据挖掘到机器学习的飞跃 53
5.5 采用正确的方法 54
5.6 本章小结 56
第6章 权衡你的选择 58
第二部分 机器学习
第7章 什么是机器学习 64
7.1 机器怎么学习 68
7.2 处理数据 70
7.3 应用机器学习技术 73
7.4 学习的类型介绍 75
7.5 本章小结 78
第8章 机器学习的范式 79
8.1 监督机器学习 79
8.2 无监督机器学习 82
8.3 半监督机器学习 84
8.4 强化学习 86
8.5 本章小结 88
第9章 主流机器学习算法 89
9.1 决策树 93
9.2 k最近邻算法 95
9.3 k均值聚类 98
9.4 回归分析 101
9.5 朴素贝叶斯 103
9.6 本章小结 106
第10章 机器学习算法应用 107
10.1 利用算法模型拟合数据 110
10.2 选择算法 112
10.3 集成建模 112
10.4 决定机器学习范式 115
10.5 本章小结 115
第11章 几个建议 117
11.1 开始提问 117
11.2 不要混用训练数据和测试数据 119
11.3 不要夸大模型的精度 119
11.4 了解你的算法 120
11.5 本章小结 120
第三部分 人工神经网络
第12章 什么是人工神经网络 124
12.1 为什么与大脑类比 126
12.2 只是另外一个惊人的算法 126
12.3 了解感知机 128
12.4 采用sigmoid神经元 131
12.5 添加偏置项 133
12.6 本章小结 134
第13章 人工神经网络实战 136
13.1 将数据输入神经网络 136
13.2 隐藏层到底发生了什么 138
13.3 理解激活函数 141
13.4 添加权重 144
13.5 添加偏置项 145
13.6 本章小结 146
第14章 让神经网络开始学习 147
14.1 从随机权重和随机偏置项开始 148
14.2 让神经网络为错误买单：损失函数 149
14.3 结合损失函数和梯度下降法 150
14.4 利用反向传播纠正误差 152
14.5 调优神经网络 156
14.6 使用链式法则 156
14.7 利用随机梯度下降法对训练集批处理 158
14.8 本章小结 159
第15章 利用神经网络进行聚类和分类 160
15.1 求解分类问题 161
15.2 求解聚类问题 163
15.3 本章小结 165
第16章 关键挑战 166
16.1 获取足够多的高质量数据 166
16.2 隔离训练数据与测试数据 168
16.3 谨慎选择你的训练数据集 168
16.4 采取探索性的方法 169
16.5 选择正确的工具解决问题 169
16.6 本章小结 169
第四部分 人工智能实践
第17章 利用自然语言处理的威力 172
17.1 利用自然语言理解技术从文本和语音中提取线索 174
17.2 利用自然语言生成技术提供合理的反馈 175
17.3 客户服务的自动化 177
17.4 梳理主流的自然语言处理工具和资源 179
17.4.1 自然语言理解工具 180
17.4.2 自然语言生成工具 181
17.5 本章小结 183
第18章 客户互动自动化 184
18.1 选择自然语言技术 186
18.2 梳理构建聊天机器人及虚拟代理的主流工具 187
18.3 本章小结 189
第19章 提升基于数据的决策 190
19.1 在自动化决策和基于直觉的决策中做出选择 192
19.2 从物联网设备实时收集数据 193
19.3 梳理自动化决策工具 194
19.4 本章小结 196
第20章 利用机器学习预测事件及结果 197
20.1 机器学习是关于数据标记的技术 198
20.2 看看机器学习能够做什么 200
20.2.1 预测客户会购买什么 200
20.2.2 在被问之前回答问题 200
20.2.3 让决策更好更快 202
20.2.4 在商业中复制专业知识 203
20.3 利用你的能力做好事而不是作恶：机器学习伦理 204
20.4 梳理主流的机器学习工具 206
20.5 本章小结 208
第21章 构建人工智能系统 210
21.1 区分智能化和自动化 212
21.2 在深度学习中增加层 213
21.3 人工神经网络应用 214
21.3.1 将优质客户分类 215
21.3.2 商店布局推荐 216
21.3.3 分析及跟踪生物特征 217
21.4 梳理主流深度学习工具 218
21.5 本章小结 220
猜您喜欢
