人工智能与大数据技术导论

图书标准信息

• 作者 杨正洪、郭良越、刘玮 著
• 出版社 清华大学出版社
• 出版时间 2018-12
• 版次 1
• ISBN 9787302517986
• 定价 98.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 472页
• 字数 781千字

【内容简介】

本书全面讲述人工智能与大数据涉及的技术，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16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、公安、工农业等行业人工智能应用情况。附录给出了极有参考价值的大数据与人工智能产业参考资料。 

本书适合人工智能与大数据技术初学者、人工智能行业准从业人员、AI投资领域的技术专家阅读，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。 

【作者简介】

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。 

【目录】

章  人工智能概述
  1.1  ai是什么
    1.1.1  火热的ai
    1.1.2  ai的驱动因素
  1.2  ai技术的成熟度
    1.2.1  视觉识别
    1.2.2  自然语言理解
    1.2.3  机器人
    1.2.4  自动驾驶
    1.2.5  机器学
    1.2.6  游戏
  1.3  美国ai巨头分析
  1.4  ai现状
  1.5  ai与云计算和大数据的关系
  1.6  ai技术路线
  1.7  ai战略
  1.8  ai的历史发展
第2章  ai产业
  2.1  基础层
    2.1.1  芯片产业
    2.1.2  gpu
    2.1.3  fpga
    2.1.4  asic
    2.1.5  tpu
    2.1.6  的芯片
    2.1.7  芯片产业小结
    2.1.8  传感器
    2.1.9  传感器小结
  2.2  技术层
    2.2.1  机器学
    2.2.2  语音识别与自然语言处理
    2.2.3  计算机视觉
  2.3  应用层
    2.3.1  安
    2.3.2  金融
    2.3.3  制造业
    2.3.4  智能家居
    2.3.5  医疗
    2.3.6  自动驾驶
  2.4  ai产业发展趋势分析
第3章  数  据
  3.1  什么是大数据
    3.1.1  大数据的特征
    3.1.2  大数据的误区
    3.1.3  大数据交易难点
    3.1.4  大数据的来源
    3.1.5  数据关联
    3.1.6  大数据生产链
    3.1.7  大数据怎么用
  3.2  大数据现状
    3.2.1  政策持续完善
    3.2.2  技术和应用逐步落地
    3.2.3  数据产生价值难
    3.2.4  问题与机遇并存
  3.3  大数据的计算模式
    3.3.1  流式计算的应用场景
    3.3.2  流式大数据的特征
    3.3.3  流式计算关键技术
  3.4  大数据技术
    3.4.1  数据技术的演进
    3.4.2  分布式计算系统概述
    3.4.3  hadoop
    3.4.4  spark
    3.4.5  storm系统
    3.4.6  kafka系统
    3.4.7  各类技术台比较
  3.5  数据台
    3.5.1  数据存储和计算
    3.5.2  数据质量
    3.5.3  数据管理
    3.5.4  数据
    3.5.5  数据安全管控
    3.5.6  数据准备
    3.5.7  数据整合
    3.5.8  数据服务
    3.5.9  数据开发
    3.5.10  数据台结
  3.6  大数据的商用途径
    3.6.1  数据化
    3.6.2  算法化
    3.6.3  应用化（产品化）
    3.6.4  生态化
  3.7  大数据产业
    3.7.1  大数据产业界定
    3.7.2  大数据技术发展的推动力
    3.7.3  重点行业的大数据应用
    3.7.4  大数据应用发展趋势
    3.7.5  大数据的产业链构成分析
  3.8  大数据案例分析
    3.8.1  有哪些数据资源
    3.8.2  大数据应用案例
    3.8.3  大数据面临的挑战
    3.8.4  大数据应用启示
第4章  机器学概述
  4.1  走进机器学
    4.1.1  什么是机器学
    4.1.2  机器学的感认识
    4.1.3  机器学的本质
    4.1.4  对机器学的全面认识
    4.1.5  机器学、深度学与人工智能
    4.1.6  机器学、数据挖掘与数据分析
  4.2  机器学的基本概念
    4.2.1  数据集、特征和标签
    4.2.2  监督式学和非监督式学
    4.2.3  强化学和迁移学
    4.2.4  特征数据类型
    4.2.5  训练集、验证集和测试集
    4.2.6  机器学的任务流程
  4.3  数据预处理
    4.3.1  探索分析
    4.3.2  数据清洗
    4.3.3  特征工程
第5章  模  型
  5.1  什么是模型
  5.2  误差和mse
  5.3  模型的训练
    5.3.1  模型与算法的区别
    5.3.2  迭代法
  5.4  梯度下降法
    5.4.1  步长
    5.4.2  优化步长
    5.4.3  三类梯度下降法
    5.4.4  梯度下降的详细算法
  5.5  模型的拟合效果
    5.5.1  欠拟合与过拟合
    5.5.2  过拟合的处理方法
  5.6  模型的评估与改进
    5.6.1  机器学模型的评估
    5.6.2  机器学算法与人类比较
    5.6.3  改进策略
  5.7  机器学的实现框架
    5.7.1  python
    5.7.2  scikit-learn
    5.7.3  spark mllib
第6章  机器学算法
  6.1  算法概述
    6.1.1  线回归
    6.1.2  逻辑回归
    6.1.3  线判别分析
    6.1.4  分类与回归树分析
    6.1.5  朴素贝叶斯
    6.1.6  k近邻算法
    6.1.7  学矢量量化
    6.1.8  支持向量机
    6.1.9  bagging和森林
    6.1.10  boosting和adaboost
  6.2  支持向量机算法
  6.3  逻辑回归算法
  6.4  knn算法
    6.4.1  超参数k
    6.4.2  knn实例：波士顿房价预测
    6.4.3  算法评价
  6.5  决策树算法
  6.6  集成算法
    6.6.1  集成算法简述
    6.6.2  集成算法之bagging
    6.6.3  集成算法之boosting
  6.7  聚类算法
    6.7.1  k均值聚类
    6.7.2  均值漂移聚类
    6.7.3  基于密度的聚类方法
    6.7.4  用高斯混合模型的优选期望聚类
    6.7.5  凝聚层次聚类
    6.7.6  图团体检测
  6.8  机器学算法结
第7章  深度学
  7.1  走进深度学
    7.1.1  深度学为何崛起
    7.1.2  从逻辑回归到浅层神经网络
    7.1.3  深度神经网络
    7.1.4  正向传播
    7.1.5  激活函数
  7.2  神经网络的训练
    7.2.1  神经网络的参数
    7.2.2  向量化
    7.2.3  价值函数
    7.2.4  梯度下降和反向传播
  7.3  神经网络的优化和改进
    7.3.1  神经网络的优化策略
    7.3.2  正则化方法
  7.4  卷积神经网络
    7.4.1  卷积运算
    7.4.2  卷积层
    7.4.3  n实例
  7.5  深度学的优势
  7.6  深度学的实现框架
第8章  tensorflow
  8.1  tensorflow工具包
    8.1.1  tf.estimator api
    8.1.2  pandas速成
    8.1.3  必要的python知识
  8.2  个tensorflow程序
    8.2.1  装载数据
    8.2.2  探索数据
    8.2.3  训练模型
    8.2.4  评估模型
    8.2.5  优化模型
    8.2.6  合成特征
    8.2.7  离群值处理
  8.3  过拟合处理
    8.3.1  训练集和测试集
    8.3.2  验证集
    8.3.3  过拟合实例
  8.4  特征工程
    8.4.1  数值型数据
    8.4.2  字符串数据和one-hot编码
    8.4.3  枚举数据（分类数据）
    8.4.4  好特征
    8.4.5  数据清洗
    8.4.6  分箱（分桶）技术
    8.4.7  特征工程实例
第9章  tensorflow不错知识
  9.1  特征交
    9.1.1  什么是特征交
    9.1.2  ftrl实践
    9.1.3  分桶（分箱）代码实例
    9.1.4  特征交代码实例
  9.2  l2正则化
  9.3  逻辑回归
  9.4  分类
    9.4.1  评价指标―准确率
    9.4.2  评价指标―准确率
    9.4.3  指标―召回率
    9.4.4  评价指标之综合虑
    9.4.5  roc 曲线
    9.4.6  预测偏差
    9.4.7  分类代码实例
  9.5  l1正则化
0章  神经网络
  10.1  什么是神经网络
    10.1.1  隐藏层
    10.1.2  激活函数
    10.1.3  relu
    10.1.4  实例代码
  10.2  训练神经网络
    10.2.1  正向传播算法
    10.2.2  反向传播算法
    10.2.3  标准化特征值
    10.2.4  丢弃正则化
    10.2.5  代码实例
  10.3  多类别神经网络
    10.3.1  一对多方法
    10.3.2  softmax
    10.3.3  代码实例
  10.4  嵌套
    10.4.1  协同过滤
    10.4.2  稀疏数据
    10.4.3  获取嵌套
    10.4.4  代码实例
1章  知识图谱
  11.1  什么是知识图谱
    11.1.1  知识图谱的定义
    11.1.2  知识图谱的架构
    11.1.3  开放知识图谱
    11.1.4  知识图谱在行业数据分析中的应用
  11.2  知识图谱构建的关键技术
    11.2.1  知识提取
    11.2.2  语义类抽取
    11.2.3  属和属值抽取
    11.2.4  关系抽取
    11.2.5  知识表示
    11.2.6  知识融合
  11.3  知识计算及应用
  11.4  企业知识图谱建设
2章  数据挖掘
  12.1  什么是数据挖掘
    12.1.1  数据挖掘技术产生的背景
    12.1.2  数据挖掘与数据分析的区别
  12.2  数据挖掘技术（方法）
    12.2.1  分类
    12.2.2  聚类
    12.2.3  回归分析
    12.2.4  关联规则
    12.2.5  神经网络方法
    12.2.6  web数据挖掘
    12.2.7  特征分析
    12.2.8  偏差分析
  12.3  大数据思维
    12.3.1  信度与效度思维
    12.3.2  分类思维
    12.3.3  漏斗思维
    12.3.4  逻辑树思维
    12.3.5  时间序列思维
    12.3.6  指数化思维
    12.3.7  循环／闭环思维
3章  银行业大数据和人工智能
  13.1  四大行的进展
    13.1.1  建设银行
    13.1.2  工商银行
    13.1.3  农业银行
    13.1.4  中国银行
  13.2  其他银行
    13.2.1  广发银行
    13.2.2  江苏银行
  13.3  金融宏观大数据分析
  13.4  小结
    13.4.1  大数据给银行带来的机遇与挑战
    13.4.2  银行大数据体系建设的思
4章  医疗大数据和人工智能
  14.1  医疗大数据的特点
  14.2  医疗大数据处理模型
  14.3  医疗大数据的ai应用
    14.3.1  智能辅助诊疗
    14.3.2  影像数据分析与影像智能诊断
    14.3.3  合理用药
    14.3.4  远程监控
    14.3.5  医疗
    14.3.6  成本与疗效分析
    14.3.7  绩效管理
    14.3.8  医院控费
    14.3.9  医疗质量分析
  14.4  人工智能的医疗应用场景
  14.5  人工智能要当“医生”
  14.6  医院大数据
  14.7  机器学在医疗行业中的应用实例分析
5章  大数据和人工智能
  15.1  大数据的特点
  15.2  建设流程
  15.3  大数据管理台
    15.3.1  大数据建模
    15.3.2  大数据汇集
    15.3.3  大数据服务
  15.4  大数据挖掘分析
  15.5  大数据ai应用
  15.6  小结
6章  工农业大数据和人工智能
  16.1  中国制造
  16.2  大数据
    16.2.1  大数据面临三大制约因素
    16.2.2  大数据应用的四大发展趋势
    16.2.3  发展大数据
  16.3  ai+制造
  16.4  农业大数据
    16.4.1  发展现状
    16.4.2  农业大数据目标
    16.4.3  农业大数据建设任务
    16.4.4  农产品质量安全追溯
附录a  人工智能企业名单
附录b  大数据和人工智能网上资料
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