当前位置：

人工智能技术入门

作者：杨正洪

出版社：清华大学

出版年：2021年1月

ISBN：9787302566434

所属分类：成功励志

书刊介绍

《人工智能技术入门》内容简介

本书全面讲述人工智能涉及的技术，学完本书后，读者将对人工智能技术有全面的理解，并能掌握AI整体知识架构。本书共分11章，内容包括人工智能概述、AI产业、数据、机器学习概述、模型、机器学习算法、深度学习、TensorFlow、神经网络、知识图谱、数据挖掘，以及银行业、医疗行业、公共安全、制造业等行业人工智能应用情况。附录给出了极有参考价值的人工智能术语列表。本书适合人工智能技术初学者、人工智能行业准从业人员、AI投资领域的技术专家，也适合作为高等院校和培训学校人工智能相关专业师生的教学参考书。
杨正洪，毕业于美国State University of New York at Stony Brook，在美国硅谷从事AI和大数据相关研发工作十余年，华中科技大学和中国地质大学客座教授，湖北省2013年海外引进人才，并拥有多项国家专利。杨正洪参与了大数据和人工智能的国家标准的制定，在2016年参与了公安部主导的“信息安全技术：大数据平台安全管理产品安全技术要求”的国家标准制定。杨正洪是中关村海外智库专家顾问和住建部中规院专家顾问，曾担任在美上市公司CTO、北京某国企CIO和上海某国企高级副总裁等职。多年从事人工智能与大数据技术的实践，出版了《智慧城市》《大数据技术入门》等多本畅销书。

作品目录

前
言
示例代码及相关下载
致谢
第1章人工智能概述
1.1、AI是什么
1.2、AI技术的成熟度
1.3、AI与大数据的关系
1.4、AI与云计算的关系
1.5、AI技术路线
第2章AI产业
2.1、基础层
2.2、技术层
2.3、应用层
2.4、AI产业发展趋势分析
第3章机器学习概述
3.1、走进机器学习
3.2、机器学习的基本概念
3.3、数据预处理
3.4、算法
3.5、初探机器学习的开源框架
第4章特征工程
4.1、数据预处理
4.2、特征选择
4.3、降维
4.4、特征工程实例分析
第5章模型训练和评估
5.1、什么是模型
5.2、误差和MSE
5.3、模型的训练
5.4、梯度下降法
5.5、模型的拟合效果
5.6、模型的评估
5.7、模型的改进
第6章算法选择和优化
6.1、算法概述
6.2、支持向量机（SVM）算法
6.3、逡辑回归算法
6.4、KNN算法
6.5、决策树算法
6.6、集成算法
6.7、聚类算法
6.8、机器学习算法实例
第7章深度学习
7.1、走进深度学习
7.2、神经网络的训练
7.3、神经网络的优化和改进
7.4、卷积神经网络
7.5、深度学习的优势
7.6、深度学习的实现框架
第8章TensorFlow
8.1、TensorFlow工具包
8.2、第一个TensorFlow程序
8.3、过度拟合处理
8.4、特征工程
第9章TensorFlow高级知识
9.1、特征交叉
9.2、L2正则化
9.3、逡辑回归
9.4、分类
9.5、L1正则化
第10章神经网络
10.1、什么是神经网络
10.2、训练神经网络
10.3、多类别神经网络
10.4、嵌入
第11章人工智能应用
11.1、银行业
11.2、医疗行业
11.3、公共安全
11.4、制造业
附录A
人工智能的历史发展
附录B
人工智能网上资料
附录C
本书中采用的人工智能中英文术语
附录D
术语列表
A
B
C
D
E
F
G
H
I
K
L
M
N
O
P
Q
R
S
T
U
V
W