深入淺出人工智能——原理、技術與應用
李燁 韓慧昌 侯鴻志 潘旺
商品描述
本書旨在幫助讀者從零開始學習人工智能，掌握人工智能的原理、技術和應用。
本書共10章，首先是人工智能概述，接著深入淺出地講解人工智能的原理和技術，包括數據預處理、數據可視化、機器學習基礎、監督學習模型、無監督學習算法、神經網絡基礎、訓練深度神經網絡等內容，最後講解人工智能的應用，包括智能對話和知識圖譜。
本書適合想要學習並掌握人工智能技術和應用的零基礎讀者閱讀，還可以作為高等院校人工智能相關課程的教材或輔導書。
作者簡介
本書深入淺出地講解人工智能的原理、技術和應用方法。本書從基礎概念入手，逐步深入到前沿算法與實際應用，旨在幫助讀者從理論學習到實際操作，系統性地掌握人工智能的相關知識。 本書共10章，首先對人工智能進行概述介紹，其次講解人工智能的原理和技術，包括數據預處理、數據可視化、機器學習基礎、有監督學習模型、無監督學習模型、神經網絡基礎、訓練深度神經網絡，最後講解人工智能的應用，包括智能對話與虛擬主播、知識圖譜。
目錄大綱
第 1 章 人工智能概述 1
1.1 人工智能的定義 1
1.2 人工智能的發展史 4
1.2.1 “深藍”戰勝人類 4
1.2.2 AlphaGo 5
1.3 人工智能的技術原理 6
1.3.1 機器學習和深度學習 6
1.3.2 機器學習三要素 8
1.4 人工智能的應用方向 9
1.4.1 深度學習應用的四大領域 9
1.4.2 人工智能的應用場景 …10
1.5 人工智能的影響 …13
1.5.1 人類和機器 …14
1.5.2 人工智能對法律的沖擊 …14
1.6 人工智能崗位概述 …15
第 2 章 數據預處理 18
2.1 什麽是數據預處理 …18
2.1.1 數據處理的流程 …18
2.1.2 數據質量 …18
2.1.3 數據預處理的必要性 …19
2.2 數據清洗 …20
2.2.1 冗餘值處理 …20
2.2.2 異常處理 …21
2.2.3 缺失值處理 …22
2.3 特徵工程 …24
2.3.1 特徵工程的必要性 …24
2.3.2 特徵構造 …25
2.3.3 特徵篩選 …26
2.3.4 特徵編碼 …26
2.3.5 數據離散化 …28
2.3.6 數據歸一化和數據標準化 …29
第 3 章 數據可視化 30
3.1 數據可視化基礎 …30
3.2 數據可視化原則 …34
3.2.1 讓數據“說話” …34
3.2.2 尊重事實 …35
3.2.3 適當標註 …36
3.2.4 善用對比 …37
3.2.5 內容重於形式 …37
3.2.6 風格一致 …38
3.3 常用的數據可視化圖表 …38
3.3.1 單變量圖表 …39
3.3.2 多變量圖表 …41
3.3.3 復合圖表 …44
3.3.4 高維數據可視化 …46
3.3.5 可視化圖表的選擇 …48
3.4 數據可視化與人工智能 …49
3.4.1 數據分析與模型選擇 …49
3.4.2 模型跟蹤 …50
3.4.3 模型理解 …52
3.5 數據可視化與道德的關系 …53
第 4 章 機器學習基礎 55
4.1 機器學習基本概念 …55
4.1.1 機器學習的定義 …55
4.1.2 機器學習和人工智能的關系 …56
4.1.3 監督學習和無監督學習 …57
4.1.4 模型、數據和算法 …59
4.2 認識機器學習的經典模型及其應用方法 …62
4.2.1 經典模型概覽 …62
4.2.2 模型的難易度曲線 …63
4.2.3 如何應用模型 …64
4.2.4 怎樣才算學會了一個模型呢 …66
4.2.5 研發新模型 …67
4.3 模型的生命周期 …67
4.3.1 認識模型的生命周期 …67
4.3.2 數據處理階段 …68
4.3.3 模型生成階段 …71
4.3.4 模型使用階段 …80
4.3.5 人工智能模型的局限性 …82
第 5 章 監督學習模型 83
5.1 監督學習概述 …83
5.2 線性回歸模型 …84
5.2.1 線性回歸的定義 …84
5.2.2 一元線性回歸 …85
5.2.3 使用梯度下降法求解線性回歸模型 …88
5.3 處理分類問題 …89
5.3.1 分類任務 …89
5.3.2 能否使用線性回歸模型解決分類問題 …90
5.4 邏輯回歸模型 …91
5.4.1 邏輯回歸模型的原理 …91
5.4.2 使用邏輯回歸模型解決多分類問題 …94
5.5 貝葉斯分類器 …94
5.5.1 貝葉斯公式 …94
5.5.2 樸素貝葉斯分類器 …95
5.6 決策樹 …98
5.6.1 ID3 算法100
5.6.2 C45 算法 101
5.6.3 CART 算法102
5.6.4 決策樹的剪枝 102
5.7 KNN 算法103
第 6 章 無監督學習算法 105
6.1 無監督學習概述 105
6.1.1 監督學習與無監督學習 105
6.1.2 無監督學習的意義 106
6.2 聚類 107
6.2.1 聚類的定義 107
6.2.2 聚類問題中的相似度與距離 108
6.2.3 k 均值算法 109
6.2.4 譜聚類 110
6.3 參數估計 112
6.3.1 高斯分佈 113
6.3.2 高斯混合模型 114
6.4 降維 115
6.4.1 降維的意義 115
6.4.2 主成分分析 116
第 7 章 神經網絡基礎 119
7.1 認識神經網絡 119
7.1.1 神經網絡的定義 119
7.1.2 訓練神經網絡 120
7.2 神經網絡的歷史和推理 120
7.2.1 神經網絡的發明 120
7.2.2 神經網絡的發展歷程 121
7.2.3 神經網絡的推理 124
7.3 全連接神經網絡 125
7.3.1 全連接神經網絡的定義 125
7.3.2 全連接神經網絡的推理 128
7.3.3 全連接神經網絡的訓練 130
7.4 詳解神經網絡的推理和訓練 131
7.4.1 單神經元全連接神經網絡 131
7.4.2 雙層全連接神經網絡 133
7.4.3 梯度消失與梯度爆炸及其解決方法 135
7.4.4 深度神經網絡與深度學習 137
7.5 更多類型的神經網絡 140
7.5.1 捲積神經網絡 140
7.5.2 循環神經網絡 141
7.5.3 LSTM 網絡 142
7.5.4 GRU 網絡 143
7.5.5 註意力機制 143
7.5.6 自註意力機制 144
7.5.7 Transformer 144
7.6 經典的神經網絡模型 145
7.6.1 圖像處理領域的經典神經網絡模型 145
7.6.2 語音處理領域的經典神經網絡模型 148
7.6.3 自然語言處理領域的經典神經網絡模型 149
7.7 深度學習面臨的挑戰 150
第 8 章 訓練深度神經網絡 152
8.1 數據預處理 152
8.1.1 幾種常見的數據預處理方式 152
8.1.2 數據預處理對模型訓練的影響 154
8.2 權重初始化 156
8.2.1 權重初始化對模型訓練的影響 156
8.2.2 對模型進行初始化的方法 156
8.3 模型優化算法 158
8.3.1 梯度下降法 159
8.3.2 動量隨機梯度下降法 162
8.3.3 AdaGrad 和 RMSProp 算法 163
8.3.4 Adam 算法 164
8.3.5 不同優化算法的對比 165
8.4 正則化 165
8.4.1 模型的正則化 166
8.4.2 L1/L2 正則化 166
8.4.3 Dropout 167
8.4.4 批標準化 168
8.4.5 正則化方法的選擇 170
8.4.6 數據增強 170
8.5 學習率和提前停止 170
8.5.1 學習率對模型訓練的影響 170
8.5.2 學習率衰減 171
8.5.3 提前停止 172
8.6 模型訓練技巧 173
第 9 章 智能對話 174
9.1 智能對話系統概述 174
9.1.1 認識智能對話系統 174
9.1.2 智能對話系統的類別 175
9.1.3 智能對話系統的技術方向 175
9.1.4 智能對話系統的歷史演進 176
9.2 自然語言理解模塊 177
9.2.1 自然語言理解模塊的作用 177
9.2.2 自然語言理解模塊的核心技術 178
9.3 知識庫模塊 179
9.3.1 FAQ 知識庫 179
9.3.2 基於結構化數據庫的知識庫 180
9.3.3 基於知識圖譜的知識庫 180
9.4 對話流程管理模塊 181
第 10 章 知識圖譜 182
10.1 認識知識圖譜 182
10.1.1 知識的定義 182
10.1.2 知識圖譜的定義 183
10.1.3 知識圖譜的直觀表示方法 183
10.1.4 知識圖譜的作用 184
10.1.5 基於知識圖譜的操作 185
10.2 知識圖譜的數據模型 185
10.2.1 三元組 185
10.2.2 屬性圖模型 187
10.3 知識圖譜的本體及其影響 189
10.3.1 認識知識圖譜的本體 189
10.3.2 知識圖譜本體的影響 191
10.4 知識圖譜的構建 193
10.4.1 知識抽取 193
10.4.2 結構化數據的知識抽取 194
10.4.3 非結構化數據的知識抽取 195
10.4.4 半結構化數據的知識抽取 198
10.5 知識圖譜的存儲 198
10.5.1 基於 RDF 的知識圖譜存儲 198
10.5.2 基於圖數據庫的知識圖譜存儲 199
10.5.3 圖引擎技術 199
10.6 基於知識圖譜的應用 199
10.6.1 智能對話系統的知識庫 200
10.6.2 作為檢索入口的頂點和邊 200
10.6.3 知識圖譜對對話流程的支持 200
10.7 構建一個屬於自己的知識圖譜 202
10.7.1 SmartKG 202
10.7.2 知識圖譜模板 202
10.7.3 知識圖譜的可視化、知識查找及智能對話 204
