●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章什麼是人工智能2
1.1什麼是智能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人工智能規劃12
1.6學習勝過記憶14
1.7本章小結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人工神經網絡23
2.3感知機的興衰26
2.4大數據時代來臨29
2.5本章小結32
第3章聚焦很好方法33
3.1專家繫統與機器學習33
3.2監督學習與無監督學習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物聯網47
4.4本章小結48
第5章讓大數據插上人工智能的翅膀50
5.1理解大數據的基本概念51
5.2與數據科學家合作52
5.3機器學習與數據挖掘的區別52
5.4從數據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56
第6章權衡你的選擇58
第二部分機器學習
第7章什麼是機器學習64
7.1機器怎麼學習68
7.2處理數據70
7.3應用機器學習技術73
7.4學習的類型介紹75
7.5本章小結78
第8章機器學習的範式79
8.1監督機器學習79
8.2無監督機器學習82
8.3半監督機器學習84
8.4強化學習86
8.5本章小結88
第9章主流機器學習算法89
9.1決策樹93
9.2k最近鄰算法95
9.3k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106
第10章機器學習算法應用107
10.1利用算法模型擬合數據110
10.2選擇算法112
10.3集成建模112
10.4決定機器學習範式115
10.5本章小結115
第11章幾個建議117
11.1開始提問117
11.2不要混用訓練數據和測試數據119
11.3不要誇大模型的精度119
11.4了解你的算法120
11.5本章小結120
第三部分人工神經網絡
第12章什麼是人工神經網絡124
12.1為什麼與大腦類比126
12.2隻是另外一個驚人的算法126
12.3了解感知機128
12.4采用sigmoi131
12.5添加偏置項133
12.6本章小結134
第13章人工神經網絡實戰136
13.1將數據輸入神經網絡136
13.2隱藏層到底發生了什麼138
13.3理解激活函數141
13.4添加權重144
13.5添加偏置項145
13.6本章小結146
第14章讓神經網絡開始學習147
14.1從隨機權重和隨機偏置項開始148
14.2讓神經網絡為錯誤買單:損失函數149
14.3結合損失函數和梯度下降法150
14.4利用反向傳播糾正誤差152
14.5調優神經網絡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159
第15章利用神經網絡進行聚類和分類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165
第16章關鍵挑戰166
16.1獲取足夠多的高質量數據166
16.2隔離訓練數據與測試數據168
16.3謹慎選擇你的訓練數據集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從文本和語音中提取線索174
17.2利用自然語言生成技術提供合理的反饋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183
第18章客戶互動自動化184
18.1選擇自然語言技術186
18.2梳理構建聊天機器人及虛擬代理的主流工具187
18.3本章小結189
第19章提升基於數據的決策190
19.1在自動化決策和基於直覺的決策中做出選擇192
19.2從物聯網設備實時收集數據193
19.3梳理自動化決策工具194
19.4本章小結196
第20章利用機器學習預測事件及結果197
20.1機器學習是關於數據標記的技術198
20.2看看機器學習能夠做什麼200
20.2.1預測客戶會購買什麼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在商業中復制專業知識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208
第21章構建人工智能繫統210
21.1區分智能化和自動化212
21.2在深度學習中增加層213
21.3人工神經網絡應用214
21.3.1將優質客戶分類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220