人工智能技術(shù)應(yīng)用導論

第1章 人工智能的產(chǎn)生與發(fā)展\t1
1．1 引言―激動人心的AI-2016\t1
1．2 人工智能的產(chǎn)生與發(fā)展\t6
1．3 認識人工智能的賦能\t9
1．4 人工智能、機器學習與深度學習\t18
1．5 算法、算力與大數(shù)據(jù)\t22
1．6 人工智能的產(chǎn)業(yè)生態(tài)\t24
1．6．1 人工智能產(chǎn)業(yè)鏈的三層劃分\t24
1．6．2 基礎(chǔ)層\t25
1．6．3 技術(shù)層\t29
1．6．4 應(yīng)用層\t30
1．7 科技巨頭在AI領(lǐng)域的布局\t31
1．7．1 國外科技巨頭在AI領(lǐng)域的布局\t31
1．7．2 中國科技巨頭在AI領(lǐng)域的布局\t33
1．7．3 全球各國人工智能政策\t37
1．7．4 中美競賽\t38
1．8 人工智能技術(shù)應(yīng)用的學習路徑\t38
第2章 人工智能典型應(yīng)用展現(xiàn)與體驗\t40
2．1 科大訊飛語音綜合服務(wù)開放平臺\t40
2．2 指紋識別\t46
2．3 人臉識別系統(tǒng)\t49
2．4 電子商務(wù)人工智能應(yīng)用\t50
2．5 商業(yè)智能\t55
2．6 智能商用服務(wù)機器人\t59
2．7 智能視頻監(jiān)控\t67
第3章 Python語言基礎(chǔ)\t73
3．1 Python語言的產(chǎn)生與發(fā)展\t73
3．2 Python開發(fā)環(huán)境搭建\t74
3．3 Python常用語句\t81
3．4 列表、元組、字典和字符串\t87
3．5 Python的函數(shù)\t96
3．5．1 自定義函數(shù)\t96
3．5．2 Python常用內(nèi)置函數(shù)\t100
3．6 Python矩陣運算\t103
3．7 Python庫\t106
3．8 典型樣板程序\t107
第4章 Python數(shù)據(jù)處理\t112
4．1 常見數(shù)據(jù)集簡介\t112
4．1．1 MNIST數(shù)據(jù)集\t112
4．1．2 CTW數(shù)據(jù)集\t114
4．2 數(shù)據(jù)收集、整理與清洗\t115
4．2．1 數(shù)據(jù)收集\t115
4．2．2 數(shù)據(jù)整理\t122
4．2．3 數(shù)據(jù)清洗\t125
4．3 數(shù)據(jù)分析\t130
4．3．1 CSV文件\t130
4．3．2 Excel文件\t134
4．3．3 數(shù)據(jù)庫\t139
4．4 數(shù)據(jù)可視化\t141
4．4．1 matplotlib庫應(yīng)用\t141
4．4．2 pandas庫應(yīng)用\t144
4．4．3 seaborn應(yīng)用\t145
4．5 圖像處理\t146
4．5．1 數(shù)字圖像處理技術(shù)\t146
4．5．2 圖像格式的轉(zhuǎn)化\t147
4．5．3 Python圖像處理\t149
第5章 機器學習及其典型算法應(yīng)用\t155
5．1 機器學習簡介\t155
5．1．1 基本含義\t155
5．1．2 應(yīng)用場景\t155
5．1．3 機器學習類型\t157
5．1．4 相關(guān)術(shù)語\t159
5．1．5 scikit-learn平臺\t160
5．2 分類任務(wù)\t163
5．2．1 分類的含義\t163
5．2．2 分類主要算法\t164
5．2．3 分類任務(wù)示例\t167
5．3 回歸任務(wù)\t171
5．3．1 回歸的含義\t171
5．3．2 回歸主要算法\t171
5．3．3 回歸任務(wù)示例\t171
5．4 聚類任務(wù)\t175
5．4．1 聚類的含義\t175
5．4．2 聚類主要算法\t175
5．4．3 聚類任務(wù)示例\t177
5．5 機器學習應(yīng)用實例\t178
5．5．1 手寫數(shù)字識別\t178
5．5．2 波士頓房價預測\t180
第6章　神經(jīng)網(wǎng)絡(luò)及其基礎(chǔ)算法應(yīng)用\t187
6．1 神經(jīng)網(wǎng)絡(luò)簡介\t187
6．1．1 神經(jīng)網(wǎng)絡(luò)的概念與地位\t187
6．1．2 生物神經(jīng)元\t188
6．1．3 人工神經(jīng)元模型與神經(jīng)網(wǎng)絡(luò)\t189
6．1．4 感知器算法及應(yīng)用示例\t191
6．2 前饋型神經(jīng)網(wǎng)絡(luò)\t195
6．2．1 前饋神經(jīng)網(wǎng)絡(luò)模型\t195
6．2．2 反向傳播神經(jīng)網(wǎng)絡(luò)\t196
6．2．3 反向傳播神經(jīng)網(wǎng)絡(luò)算法規(guī)則\t197
6．2．4 反向傳播神經(jīng)網(wǎng)絡(luò)應(yīng)用示例\t198
6．3 反饋型神經(jīng)網(wǎng)絡(luò)\t202
6．3．1 反饋神經(jīng)網(wǎng)絡(luò)模型\t202
6．3．2 離散Hopfield神經(jīng)網(wǎng)絡(luò)\t203
6．3．3 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)\t208
6．3．4 用DHNN識別殘缺的字母\t211
6．4 卷積神經(jīng)網(wǎng)絡(luò)\t214
6．4．1 卷積與卷積神經(jīng)網(wǎng)絡(luò)簡介\t214
6．4．2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)―以LeNet-5為例\t217
6．4．3 CNN的學習規(guī)則\t226
6．4．4 CNN應(yīng)用示例\t228
第7章　深度學習及其典型算法應(yīng)用\t232
7．1 神經(jīng)網(wǎng)絡(luò)可視化工具―PlayGround\t232
7．2 TensorFlow深度學習平臺\t240
7．2．1 TensorFlow簡介\t240
7．2．2 TensorFlow開發(fā)環(huán)境搭建\t242
7．2．3 TensorFlow的組成模型\t248
7．2．4 TensorFlow的HelloWorld程序示例\t258
7．2．5 TensorFlow實現(xiàn)線性回歸\t259
7．2．6 TensorFlow實現(xiàn)全連接神經(jīng)網(wǎng)絡(luò)\t261
7．3 深度學習在MNIST圖像識別中的應(yīng)用\t263
7．3．1 MNIST數(shù)據(jù)集及其識別方法\t263
7．3．2 全連接神經(jīng)網(wǎng)絡(luò)識別MNIST圖像\t266
7．3．3 卷積神經(jīng)網(wǎng)絡(luò)識別MNIST圖像\t267
7．3．4 循環(huán)神經(jīng)網(wǎng)絡(luò)識別MNIST圖像\t270
7．4 典型深度學習平臺\t274
7．4．1 典型深度學習平臺簡介\t274
7．4．2 樣板深度學習平臺的體驗與分析\t275
第8章　人工智能的機遇、挑戰(zhàn)與未來\t284
8．1 人工智能的行業(yè)應(yīng)用日趨火爆\t284
8．2 “智能代工”大潮來襲\t287
8．3 新IT、智聯(lián)網(wǎng)與社會信息物理系統(tǒng)\t289
8．4 人工智能的未來\t293
8．4．1 發(fā)展趨勢預測\t293
8．4．2 中國的人工智能布局\t295
8．4．3 全球人工智能的產(chǎn)業(yè)規(guī)模\t299
8．5 人工智能面臨的挑戰(zhàn)\t300
8．5．1 人工智能面臨的人才挑戰(zhàn)\t300
8．5．2 人工智能面臨的技術(shù)挑戰(zhàn)\t301
8．5．3 人工智能面臨的法律、安全與倫理挑戰(zhàn)\t301
8．6 擁抱人工智能的明天\t305
附錄A　VirtualBox虛擬機軟件與Linux的安裝和配置\t310
附錄B　Linux（Ubuntu 14．4）的基本命令與使用\t333
附錄C　GitHub代碼托管平臺\t338
附錄D　Docker技術(shù)與應(yīng)用\t342
附錄E　人工智能的數(shù)學基礎(chǔ)與工具\t344
附錄F　公開數(shù)據(jù)集介紹與下載\t355
附錄G　人工智能的網(wǎng)絡(luò)學習資源\t360
附錄H　人工智能的技術(shù)圖譜\t363
附錄I　人工智能技術(shù)應(yīng)用就業(yè)崗位與技能需求\t366
參考文獻\t371