更新时间：2024-03-27 17:36:29
封面
版权信息
内容简介
前言
示例代码及相关下载
致谢
第1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 机器学习
1.2.6 游戏
1.3 AI与大数据的关系
1.4 AI与云计算的关系
1.5 AI技术路线
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 亚马逊的芯片
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 机器学习
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 安防
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 机器学习概述
3.1 走进机器学习
3.1.1 什么是机器学习
3.1.2 机器学习的感性认识
3.1.3 机器学习的本质
3.1.4 对机器学习的全面认识
3.1.5 机器学习、深度学习与人工智能
3.1.6 机器学习、数据挖掘与数据分析
3.2 机器学习的基本概念
3.2.1 数据集、特征和标签
3.2.2 监督式学习和非监督式学习
3.2.3 强化学习和迁移学习
3.2.4 特征数据类型
3.2.5 训练集、验证集和测试集
3.2.6 机器学习的任务流程
3.3 数据预处理
3.3.1 探索性分析
3.3.2 数据清洗
3.3.3 特征工程
3.4 算法
3.5 初探机器学习的开源框架
3.5.1 scikit-learn简介
3.5.2 第一个机器学习实例
3.5.3 Jupyter Notebook
3.5.4 更多实例分析
第4章 特征工程
4.1 数据预处理
4.1.1 量纲不统一
4.1.2 把定量特征二值化（用于列向量）
4.1.3 对定性特征进行编码
4.1.4 缺失值处理（用于列向量）
4.1.5 数据变换
4.1.6 数据预处理总结
4.2 特征选择
4.2.1 Filter法
4.2.2 Wrapper法
4.2.3 Embedded法
4.2.4 特征选择总结
4.3 降维
4.4 特征工程实例分析
4.4.1 数据相关性分析（手工选择特征）
4.4.2 数据预处理
4.4.3 特征抽取
4.4.4 特征工程总结
第5章 模型训练和评估
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 欠拟合与过度拟合
