本書闡述人工智能火熱的成因、發展歷程、產業鏈、技術和應用場景，詳解人工智能的幾個核心技術（機器學習、特征工程、模型、算法、深度學習）和兩個 的開源平臺（sklearn和TensorFlow）。通過本書的學習，讀者能掌握人工智能技術體繫、重點技術和平臺工具，為人工智能技術應用到實際工作場景中打下基礎。

●第1章人工智能概述
1.1AI是什麼
1.1.1火熱的AI
1.1.2AI的驅動因素
1.2AI技術的成熟度
1.2.1視覺識別
1.2.2自然語言理解
1.2.3機器人
1.2.4自動駕駛
1.2.5機器學習
1.2.6遊戲
1.3AI與大數據的關繫
1.4AI與雲計算的關繫
1.5AI技術路線
第2章AI產業
2.1基礎層
2.1.1芯片產業
2.1.2GPU
2.1.3FPGA
2.1.4ASIC
2.1.5TPU
2.1.6亞馬遜的芯片
2.1.7芯片產業小結
2.1.8傳感器
2.1.9傳感器小結
2.2技術層
2.2.1機器學習
2.2.2語音識別與自然語言處理
2.2.3計算機視覺
2.3應用層
2.3.1安防
2.3.2金融
2.3.3制造業
2.3.4智能家居
2.3.5醫療
2.3.6自動駕駛
2.4AI產業發展趨勢分析
第3章機器學習概述
3.1走進機器學習
3.1.1什麼是機器學習
3.1.2機器學習的感性認識
3.1.3機器學習的本質
3.1.4對機器學習的全面認識
3.1.5機器學習、深度學習與人工智能
3.1.6機器學習、數據挖掘與數據分析
3.2機器學習的基本概念
3.2.1數據集、特征和標簽
3.2.2監督式學習和非監督式學習
3.2.3強化學習和遷移學習
3.2.4特征數據類型
3.2.5訓練集、驗證集和測試集
3.2.6機器學習的任務流程
3.3數據預處理
3.3.1探索性分析
3.3.2數據清洗
3.3.3特征工程
3.4算法
3.5初探機器學習的開源框架
3.5.1scikit-learn簡介
3.5.2第一個機器學習實例
3.5.3JupyterNotebook
3.5.4更多實例分析
第4章特征工程
4.1數據預處理
4.1.1量綱不統一
4.1.2把定量特征二值化（用於列向量）
4.1.3對定性特征進行編碼
4.1.4缺失值處理（用於列向量）
4.1.5數據變換
4.1.6數據預處理總結
4.2特征選擇
4.2.1Filter法
4.2.2Wrapper法
4.2.3Embedded法
4.2.4特征選擇總結
4.3降維
4.4特征工程實例分析
4.4.1數據相關性分析（手工選擇特征）
4.4.2數據預處理
4.4.3特征抽取
4.4.4特征工程總結
第5章模型訓練和評估
5.1什麼是模型
5.2誤差和MSE
5.3模型的訓練
5.3.1模型與算法的區別
5.3.2迭代法
5.4梯度下降法
5.4.1步長
5.4.2優化步長
5.4.3三類梯度下降法
5.4.4梯度下降的詳細算法
5.5模型的擬合效果
5.5.1欠擬合與過度擬合
5.5.2過度擬合的處理方法
5.6模型的評估
5.6.1分類模型的評估
5.6.2回歸模型的擬合效果評估
5.6.3其他的評價指標
5.7模型的改進
第6章算法選擇和優化
6.1算法概述
6.1.1線性回歸
6.1.2邏輯回歸
6.1.3線性判別分析
6.1.4分類與回歸樹分析
6.1.5樸素貝葉斯
6.1.6K最近鄰算法
6.1.7學習向量量化
6.1.8支持向量機
6.1.9隨機森林（RandomForest）
6.1.10AdaBoost
6.2支持向量機（SVM）算法
6.3邏輯回歸算法
6.4KNN算法
6.4.1超參數k
6.4.2KNN實例：波士頓房價預測
6.4.3算法評價
6.5決策樹算法
6.6集成算法
6.6.1集成算法簡述
6.6.2集成算法之Bagging
6.6.3集成算法之Boosting
6.7聚類算法
6.7.1K均值聚類
6.7.2均值漂移聚類
6.7.3基於密度的聚類算法
6.7.4用高斯混合模型的優選期望聚類
6.7.5凝聚層次聚類
6.7.6圖團體檢測
6.8機器學習算法實例
6.8.1訓練和預測
6.8.2自動調參
6.8.3嘗試不同算法
第7章深度學習
7.1走進深度學習
7.1.1深度學習為何崛起
7.1.2從邏輯回歸到淺層神經網絡
7.1.3深度神經網絡
7.1.4正向傳播
7.1.5激活函數
7.2神經網絡的訓練
7.2.1神經網絡的參數
7.2.2向量化
7.2.3代價函數
7.2.4梯度下降和反向傳播
7.3神經網絡的優化和改進
7.3.1神經網絡的優化策略
7.3.2正則化方法
7.4卷積神經網絡
7.4.1卷積運算
7.4.2卷積層
7.4.3卷積神經網絡（CNN）實例
7.5深度學習的優勢
7.6深度學習的實現框架
第8章TensorFlow
8.1TensorFlow工具包
8.1.1tf.estimatorAPI
8.1.2Pandas速成
8.1.3必要的Python知識
8.2第一個TensorFlow程序
8.2.1加載數據
8.2.2探索數據
8.2.3訓練模型
8.2.4評估模型
8.2.5優化模型
……

本書全面講述人工智能涉及的技術，學完本書後，讀者將對人工智能技術有全面的理解，並能掌握AI整體知識架構。本書共分11章，內容包括人工智能概述、AI產業、數據、機器學習概述、模型、機器學習算法、深度學習、TensorFlow、神經網絡、知識圖譜、數據挖掘，以及銀行業、醫療行業、公共安全、制造業等行業人工智能應用情況。附錄給出了極有參考價值的人工智能術語列表。本書適合人工智能技術初學者、人工智能行業準從業人員、AI投資領域的技術專家，也適合作為高等院校和培訓學校人工智能相關專業師生的教學參考書。