解惑人工智能

图书标准信息

• 作者 丁圣勇、樊勇兵 著
• 出版社 人民邮电出版社
• 出版时间 2018-10
• 版次 1
• ISBN 9787115494023
• 定价 45.00元
• 装帧 平装
• 开本 小16开
• 纸张 胶版纸
• 页数 116页
• 正文语种 简体中文
• 丛书 人工智能

【内容简介】

本书旨在为读者提供相对系统的人工智能介绍，包括人工智能概念、发展历程、涉及的数学背景、传统的机器学习方法以及深度学习方法等，同时也谈及一些政策、标准及产业方面的宏观问题，试图帮助读者理清人工智能的现状及未来。全书简明扼要，揭示一些本质的技术但又不过于深入细节，以期为人工智能入门读者提供相对系统的信息参考。

本书适合从事人工智能相关工作的技术人员、管理人员以及对人工智能感兴趣、希望快速了解人工智能技术的人员阅读，也可作为高等院校相关专业学生的学习参考资料。

【作者简介】

作者近年来研究深度学习及相关应用，对人工智能的概念、技术、应用都有深入的了解，在国内外期刊和会议都发表过多篇深度学习相关论文，拥有多项专利。

【目录】

第 1 章人工智能概述 1

Q1．什么是人工智能？　2

Q2．人工智能与其他学科的关系　3

Q3．人工智能经历过哪些兴衰？　4

Q4．人工智能有哪些学派？　5

Q5．人工智能为什么受追捧？　7

Q6．人工智能会在哪些行业引起变革？　8

Q7．深度学习是人工智能的最终方案吗？　8

Q8．学习人工智能需要哪些基础？　9

Q9．目前有哪些人工智能公司？　9

Q10．人工智能对人类发展有什么影响？　10

Q11．人工智能如何评估效果？　11

Q12．人工智能有哪些关键问题亟待解决？　11

Q13．人工智能与大数据有什么关系？　12

Q14．人工智能是否需要特殊硬件？　13

Q15．是否需要人工智能标准　14

Q16．人工智能为什么擅长处理图像和语音信号？　15

Q17．人工智能未来在云端还是客户端？　15

Q18．人工智能会变革产业链条吗？　16

Q19．人工智能不再需要传统算法吗？　17

Q20．人工智能如何产生和使用？　18

Q21．通用人工智能能否实现？　18

第　2 章机器学习　19

Q22．机器学习需要哪些数学知识？　20

Q23．机器学习如何转化为数学问题？　21

Q24．什么是局部最优和全局最优？　22

Q25．什么是梯度下降法？　23

Q26．什么是步长？　24

Q27．什么是机器学习？　25

Q28．机器学习基础的理论是什么？　25

Q29．什么是有监督学习？　26

Q30．什么是无监督学习？　27

Q31．什么是弱监督学习？　28

Q32．什么是参数模型和非参数模型？　29

Q33．为什么无监督学习重要？　30

Q34．什么是迁移学习？　30

Q35．什么是强化学习？　31

Q36．什么是机器学习的特征？　32

Q37．什么是贝叶斯模型？　33

Q38．什么是决策树？　35

Q39．什么是随机森林？　38

Q40．什么是支持向量机？　39

Q41．什么是分布？　45

Q42．什么是最大似然估计？　46

Q43．什么是EM算法？　47

Q44．什么是集成学习？　48

Q45．什么是聚类？　50

第　3 章深度学习　53

Q46．什么是神经网络？　54

Q47．什么是前向传播？　57

Q48．什么是损失函数？　59

Q49．什么是Softmax？　60

Q50．什么是反向传播？　63

Q51．什么是深度学习？　66

Q52．如何理解深度学习的低层特征和高层特征？　67

Q53．什么是梯度消失？　68

Q54．什么是卷积神经网络？　69

Q55．怎样来设计网络结构？　71

Q56．什么是残差网络？　72

Q57．什么是特征图？　74

Q58．什么是卷积？　74

Q59．什么是感受野？　76

Q60．什么是自编码网络？　77

Q61．什么是深度置信网络？　80

Q62．什么是递归神经网络？　81

Q63．什么是生成对抗网络？　83

Q64．生成对抗网络为什么难训练？　86

Q65．对抗网络有哪些改进？　86

Q66．生成对抗网络有什么用？　87

Q67．神经网络如何轻量化？　87

第　4 章人工智能应用　89

Q68．机器学习与应用系统的关系？　90

Q69．文本为什么需要处理成向量？　91

Q70．如何利用深度学习表示文本向量？　91

Q71．深度学习怎么实现机器翻译？　92

Q72．图像视频如何表示？　93

Q73．有哪些关键的图像任务？　94

Q74．图像智能化的难点是什么？　95

Q75．图像智能化的流程是什么？　96

Q76．深度学习如何识别图像？　96

Q77．物体检测的基本原理是什么？　98

Q78．人脸检测怎么做？　99

Q79．人脸关键点定位怎么做？　100

Q80．人脸特征如何抽取？　101

Q81．什么是1：1人脸识别？　102

Q82．什么是1：　N人脸识别？　102

Q83．人脸识别效果如何评价？　103

Q84．人脸识别是否安全？　104

Q85．视频识别怎么做？　104

Q86．什么是风格转移？　105

Q87．风格转移的原理是什么？　106

Q88．神经网络如何做超分辨率重构？　106

Q89．什么是ImageNet？　107

Q90．什么是PASCAL数据集？　108

Q91．什么是LFW数据集？　108

第　5 章机器学习开源平台　109

Q92．什么是机器学习开源平台？　110

Q93．设计机器学习平台需要考虑哪些因素？　110

Q94．为什么需要机器学习开源平台？　112

Q95．什么是人工智能云服务？　112

Q96．为什么有多个开源机器学习平台？　113

Q97．有哪些主要开源机器学习平台？　114

Q98．如何选择机器学习开源平台？　114

Q99．公司需要自主开发机器学习平台吗？　115

Q100．机器学习开源平台与其他开源平台关系如何？　116