导语

  

    本书就是一本带你成功应用人工智能的书。你将对人工智能行业中的各种技术有一个高屋建瓴的认识。在本书中，你将了解将这些技术应用于商业的案例。一旦你弄懂了这些工具，就将占据先机，具备为新业务或现有业务制定长期战略的能力。

内容提要

  

    本书通俗地介绍人工智能（AI）和机器学习（ML）：它们是如何工作的，能做什么，不能做什么，如何借助它们获利。这本书为非技术高管和非专业人士撰写。罗斯基于多年的教学和咨询经验，以直观的类比和解释揭开了AI/ML技术的神秘面纱，解释了从早期的“专家系统”到先进的深度学习网络的发展。
    首先，罗斯解释了人工智能和机器学习是如何出现的，探索了早期持续影响该领域的关键思想。接下来介绍机器学习的关键概念来加深你的理解，并展示机器智能如何创建策略并从错误中学习。接着，介绍了目前强大的神经网络——一个受人脑结构和功能启发而形成的系统。最后介绍了领先的AI应用程序。在整个过程中，罗斯始终专注于业务，介绍如何应用这些技术来探索新的机会，解决实际问题。
    通过阅读本书，你将学会：
    比较机器学习的不同方式，并探索当前领先的机器学习算法。
    从正确的问题开始，避免人工智能/机器学习项目中可能出现的常见错误。
    使用神经网络自动决策并识别意外模式。
    学会帮助神经网络更快、更有效地学习。
    梳理AI聊天机器人、虚拟助手、虚拟代理和会话AI等商业应用。

译者序
序
前言
致谢
第一部分  思考的机器：人工智能概述
  第1章  什么是人工智能
    1.1  什么是智能
    1.2  测试机器的智能
    1.3  解决问题的一般方法
    1.4  强人工智能与弱人工智能
    1.5  人工智能规划
    1.6  学习胜过记忆
    1.7  本章小结
  第2章  机器学习的兴起
    2.1  机器学习的实际应用
    2.2  人工神经网络
    2.3  感知机的兴衰
    2.4  大数据时代来临
    2.5  本章小结
  第3章  聚焦方法
    3.1  专家系统与机器学习
    3.2  监督学习与无监督学习
    3.3  误差反向传播
    3.4  回归分析
    3.5  本章小结
  第4章  通用人工智能应用
    4.1  智能机器人
    4.2  自然语言处理
    4.3  物联网
    4.4  本章小结
  第5章  让大数据插上人工智能的翅膀
    5.1  理解大数据的基本概念
    5.2  与数据科学家合作
    5.3  机器学习与数据挖掘的区别
    5.4  从数据挖掘到机器学习的飞跃
    5.5  采用正确的方法
    5.6  本章小结
  第6章  权衡你的选择
第二部分  机器学习
  第7章  什么是机器学习
    7.1  机器怎么学习
    7.2  处理数据
    7.3  应用机器学习技术
    7.4  学习的类型介绍
    7.5  本章小结
  第8章  机器学习的范式
    8.1  监督机器学习
    8.2  无监督机器学习
    8.3  半监督机器学习
    8.4  强化学习
    8.5  本章小结
  第9章  主流机器学习算法
    9.1  决策树
    9.2  k近邻算法
    9.3  k均值聚类
    9.4  回归分析
    9.5  朴素贝叶斯
    9.6  本章小结
  第10章  机器学习算法应用
    10.1  利用算法模型拟合数据
    10.2  选择算法
    10.3  集成建模
    10.4  决定机器学习范式
    10.5  本章小结
  第11章  几个建议
    11.1  开始提问
    11.2  不要混用训练数据和测试数据
    11.3  不要夸大模型的精度
    11.4  了解你的算法
    11.5  本章小结
第三部分  人工神经网络
  第12章  什么是人工神经网络
    12.1  为什么与大脑类比
    12.2  只是另外一个惊人的算法
    12.3  了解感知机
    12.4  采用sigmoid神经元
    12.5  添加偏置项
    12.6  本章小结
  第13章  人工神经网络实战
    13.1  将数据输入神经网络
    13.2  隐藏层到底发生了什么
    13.3  理解激活函数
    13.4  添加权重
    13.5  添加偏置项
    13.6  本章小结
  第14章  让神经网络开始学习
    14.1  从随机权重和随机偏置项开始
    14.2  让神经网络为错误买单：损失函数
    14.3  结合损失函数和梯度下降法
    14.4  利用反向传播纠正误差
    14.5  调优神经网络
    14.6  使用链式法则
    14.7  利用随机梯度下降法对训练集批处理
    14.8  本章小结
  第15章  利用神经网络进行聚类和分类
    15.1  求解分类问题
    15.2  求解聚类问题
    15.3  本章小结
  第16章  关键挑战
    16.1  获取足够多的高质量数据
    16.2  隔离训练数据与测试数据
    16.3  谨慎选择你的训练数据集
    16.4  采取探索性的方法
    16.5  选择正确的工具解决问题
    16.6  本章小结
第四部分  人工智能实践
  第17章  利用自然语言处理的威力
    17.1  利用自然语言理解技术从文本和语音中提取线索
    17.2  利用自然语言生成技术提供合理的反馈
    17.3  客户服务的自动化
    17.4  梳理主流的自然语言处理工具和资源
      17.4.1  自然语言理解工具
      17.4.2  自然语言生成工具
    17.5  本章小结
  第18章  客户互动自动化
    18.1  选择自然语言技术
    18.2  梳理构建聊天机器人及虚拟代理的主流工具
    18.3  本章小结
  第19章  提升基于数据的决策
    19.1  在自动化决策和基于直觉的决策中做出选择
    19.2  从物联网设备实时收集数据
    19.3  梳理自动化决策工具
    19.4  本章小结
  第20章  利用机器学习预测事件及结果
    20.1  机器学习是关于数据标记的技术
    20.2  看看机器学习能够做什么
      20.2.1  预测客户会购买什么
      20.2.2  在被问之前回答问题
      20.2.3  让决策更好更快
      20.2.4  在商业中复制专业知识
    20.3  利用你的能力做好事而不是作恶：机器学习伦理
    20.4  梳理主流的机器学习工具
    20.5  本章小结
  第21章  构建人工智能系统
    21.1  区分智能化和自动化
    21.2  在深度学习中增加层
    21.3  人工神经网络应用
      21.3.1  将优质客户分类
      21.3.2  商店布局推荐
      21.3.3  分析及跟踪生物特征
    21.4  梳理主流深度学习工具
    21.5  本章小结