認識AI：人工智能如何賦能商業(yè)（原書第2版）

譯者序
序
前言
致謝
第一部分　思考的機器：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　測試機器的智能 5
1.3　解決問題的一般方法 7
1.4　強人工智能與弱人工智能 10
1.5　人工智能規(guī)劃 12
1.6　學習勝過記憶 14
1.7　本章小結(jié) 16
第2章　機器學習的興起 18
2.1　機器學習的實際應用 21
2.2　人工神經(jīng)網(wǎng)絡 23
2.3　感知機的興衰 26
2.4　大數(shù)據(jù)時代來臨 29
2.5　本章小結(jié) 32
第3章　聚焦最佳方法 33
3.1　專家系統(tǒng)與機器學習 33
3.2　監(jiān)督學習與無監(jiān)督學習 35
3.3　誤差反向傳播 37
3.4　回歸分析 39
3.5　本章小結(jié) 41
第4章　通用人工智能應用 42
4.1　智能機器人 43
4.2　自然語言處理 45
4.3　物聯(lián)網(wǎng) 47
4.4　本章小結(jié) 48
第5章　讓大數(shù)據(jù)插上人工智能的翅膀 50
5.1　理解大數(shù)據(jù)的基本概念 51
5.2　與數(shù)據(jù)科學家合作 52
5.3　機器學習與數(shù)據(jù)挖掘的區(qū)別 52
5.4　從數(shù)據(jù)挖掘到機器學習的飛躍 53
5.5　采用正確的方法 54
5.6　本章小結(jié) 56
第6章　權(quán)衡你的選擇 58
第二部分　機器學習
第7章　什么是機器學習 64
7.1　機器怎么學習 68
7.2　處理數(shù)據(jù) 70
7.3　應用機器學習技術(shù) 73
7.4　學習的類型介紹 75
7.5　本章小結(jié) 78
第8章　機器學習的范式 79
8.1　監(jiān)督機器學習 79
8.2　無監(jiān)督機器學習 82
8.3　半監(jiān)督機器學習 84
8.4　強化學習 86
8.5　本章小結(jié) 88
第9章　主流機器學習算法 89
9.1　決策樹 93
9.2　k最近鄰算法 95
9.3　k均值聚類 98
9.4　回歸分析 101
9.5　樸素貝葉斯 103
9.6　本章小結(jié) 106
第10章　機器學習算法應用 107
10.1　利用算法模型擬合數(shù)據(jù) 110
10.2　選擇算法 112
10.3　集成建模 112
10.4　決定機器學習范式 115
10.5　本章小結(jié) 115
第11章　幾個建議 117
11.1　開始提問 117
11.2　不要混用訓練數(shù)據(jù)和測試數(shù)據(jù) 119
11.3　不要夸大模型的精度 119
11.4　了解你的算法 120
11.5　本章小結(jié) 120
第三部分　人工神經(jīng)網(wǎng)絡
第12章　什么是人工神經(jīng)網(wǎng)絡 124
12.1　為什么與大腦類比 126
12.2　只是另外一個驚人的算法 126
12.3　了解感知機 128
12.4　采用sigmoid神經(jīng)元 131
12.5　添加偏置項 133
12.6　本章小結(jié) 134
第13章　人工神經(jīng)網(wǎng)絡實戰(zhàn) 136
13.1　將數(shù)據(jù)輸入神經(jīng)網(wǎng)絡 136
13.2　隱藏層到底發(fā)生了什么 138
13.3　理解激活函數(shù) 141
13.4　添加權(quán)重 144
13.5　添加偏置項 145
13.6　本章小結(jié) 146
第14章　讓神經(jīng)網(wǎng)絡開始學習 147
14.1　從隨機權(quán)重和隨機偏置項開始 148
14.2　讓神經(jīng)網(wǎng)絡為錯誤買單：損失函數(shù) 149
14.3　結(jié)合損失函數(shù)和梯度下降法 150
14.4　利用反向傳播糾正誤差 152
14.5　調(diào)優(yōu)神經(jīng)網(wǎng)絡 156
14.6　使用鏈式法則 156
14.7　利用隨機梯度下降法對訓練集批處理 158
14.8　本章小結(jié) 159
第15章　利用神經(jīng)網(wǎng)絡進行聚類和分類 160
15.1　求解分類問題 161
15.2　求解聚類問題 163
15.3　本章小結(jié) 165
第16章　關鍵挑戰(zhàn) 166
16.1　獲取足夠多的高質(zhì)量數(shù)據(jù) 166
16.2　隔離訓練數(shù)據(jù)與測試數(shù)據(jù) 168
16.3　謹慎選擇你的訓練數(shù)據(jù)集 168
16.4　采取探索性的方法 169
16.5　選擇正確的工具解決問題 169
16.6　本章小結(jié) 169
第四部分　人工智能實踐
第17章　利用自然語言處理的威力 172
17.1　利用自然語言理解技術(shù)從文本和語音中提取線索 174
17.2　利用自然語言生成技術(shù)提供合理的反饋 175
17.3　客戶服務的自動化 177
17.4　梳理主流的自然語言處理工具和資源 179
17.4.1　自然語言理解工具 180
17.4.2　自然語言生成工具 181
17.5　本章小結(jié) 183
第18章　客戶互動自動化 184
18.1　選擇自然語言技術(shù) 186
18.2　梳理構(gòu)建聊天機器人及虛擬代理的主流工具 187
18.3　本章小結(jié) 189
第19章　提升基于數(shù)據(jù)的決策 190
19.1　在自動化決策和基于直覺的決策中做出選擇 192
19.2　從物聯(lián)網(wǎng)設備實時收集數(shù)據(jù) 193
19.3　梳理自動化決策工具 194
19.4　本章小結(jié) 196
第20章　利用機器學習預測事件及結(jié)果 197
20.1　機器學習是關于數(shù)據(jù)標記的技術(shù) 198
20.2　看看機器學習能夠做什么 200
20.2.1　預測客戶會購買什么 200
20.2.2　在被問之前回答問題 200
20.2.3　讓決策更好更快 202
20.2.4　在商業(yè)中復制專業(yè)知識 203
20.3　利用你的能力做好事而不是作惡：機器學習倫理 204
20.4　梳理主流的機器學習工具 206
20.5　本章小結(jié) 208
第21章　構(gòu)建人工智能系統(tǒng) 210
21.1　區(qū)分智能化和自動化 212
21.2　在深度學習中增加層 213
21.3　人工神經(jīng)網(wǎng)絡應用 214
21.3.1　將優(yōu)質(zhì)客戶分類 215
21.3.2　商店布局推薦 216
21.3.3　分析及跟蹤生物特征 217
21.4　梳理主流深度學習工具 218
21.5　本章小結(jié) 220