人工智能与大数据技术导论PDF|Epub|txt|kindle电子书版本网盘下载

人工智能与大数据技术导论PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 人工智能概述1

1.1 AI是什么1

1.1.1火热的AI2

1.1.2 AI的驱动因素3

1.2 AI技术的成熟度4

1.2.1视觉识别4

1.2.2自然语言理解5

1.2.3机器人7

1.2.4自动驾驶8

1.2.5机器学习9

1.2.6游戏10

1.3美国AI巨头分析11

1.4国内AI现状16

1.5 AI与云计算和大数据的关系17

1.6 AI技术路线17

1.7 AI国家战略18

1.8 AI的历史发展19

第2章 AI产业24

2.1基础层25

2.1.1芯片产业25

2.1.2 GPU27

2.1.3 FPGA28

2.1.4 ASIC28

2.1.5 TPU29

2.1.6亚马逊的芯片31

2.1.7芯片产业小结32

2.1.8传感器33

2.1.9传感器小结35

2.2技术层37

2.2.1机器学习37

2.2.2语音识别与自然语言处理39

2.2.3计算机视觉42

2.3应用层44

2.3.1安防44

2.3.2金融45

2.3.3制造业47

2.3.4智能家居48

2.3.5医疗48

2.3.6自动驾驶50

2.4 AI产业发展趋势分析55

第3章 数据58

3.1什么是大数据59

3.1.1大数据的特征59

3.1.2大数据的误区60

3.1.3大数据交易难点60

3.1.4大数据的来源62

3.1.5数据关联63

3.1.6大数据生产链64

3.1.7大数据怎么用64

3.2国内大数据现状65

3.2.1政策持续完善66

3.2.2技术和应用逐步落地66

3.2.3数据产生价值难67

3.2.4问题与机遇并存67

3.3大数据的计算模式68

3.3.1流式计算的应用场景69

3.3.2流式大数据的特征70

3.3.3流式计算关键技术72

3.4大数据技术74

3.4.1数据技术的演进75

3.4.2分布式计算系统概述76

3.4.3 Hadoop77

3.4.4 Spark80

3.4.5 Storm系统82

3.4.6 Kafka系统84

3.4.7各类技术平台比较86

3.5数据平台88

3.5.1数据存储和计算89

3.5.2数据质量92

3.5.3数据管理97

3.5.4数据目录99

3.5.5数据安全管控100

3.5.6数据准备102

3.5.7数据整合107

3.5.8数据服务107

3.5.9数据开发107

3.5.10数据平台总结108

3.6大数据的商用途径109

3.6.1数据化109

3.6.2算法化109

3.6.3应用化（产品化）110

3.6.4生态化111

3.7大数据产业112

3.7.1大数据产业界定112

3.7.2大数据技术发展的推动力114

3.7.3重点行业的大数据应用117

3.7.4大数据应用发展趋势123

3.7.5大数据的产业链构成分析123

3.8政府大数据案例分析125

3.8.1政府有哪些数据资源126

3.8.2政府大数据应用案例126

3.8.3政府大数据面临的挑战130

3.8.4政府大数据应用启示131

第4章 机器学习概述133

4.1走进机器学习133

4.1.1什么是机器学习133

4.1.2机器学习的感性认识133

4.1.3机器学习的本质134

4.1.4对机器学习的全面认识135

4.1.5机器学习、深度学习与人工智能136

4.1.6机器学习、数据挖掘与数据分析137

4.2机器学习的基本概念139

4.2.1数据集、特征和标签139

4.2.2监督式学习和非监督式学习140

4.2.3强化学习和迁移学习140

4.2.4特征数据类型141

4.2.5训练集、验证集和测试集141

4.2.6机器学习的任务流程142

4.3数据预处理142

4.3.1探索性分析143

4.3.2数据清洗143

4.3.3特征工程145

第5章 模型146

5.1什么是模型146

5.2误差和MSE148

5.3模型的训练149

5.3.1模型与算法的区别149

5.3.2迭代法150

5.4梯度下降法151

5.4.1步长152

5.4.2优化步长152

5.4.3三类梯度下降法153

5.4.4梯度下降的详细算法154

5.5模型的拟合效果155

5.5.1欠拟合与过拟合155

5.5.2过拟合的处理方法156

5.6模型的评估与改进157

5.6.1机器学习模型的评估157

5.6.2机器学习算法与人类比较158

5.6.3改进策略159

5.7机器学习的实现框架160

5.7.1 Python160

5.7.2 scikit-learn161

5.7.3 Spark MLlib163

第6章 机器学习算法164

6.1算法概述164

6.1.1线性回归165

6.1.2逻辑回归165

6.1.3线性判别分析166

6.1.4分类与回归树分析167

6.1.5朴素贝叶斯167

6.1.6 K最近邻算法168

6.1.7学习矢量量化168

6.1.8支持向量机169

6.1.9 Bagging和随机森林170

6.1.10 Boosting和AdaBoost170

6.2支持向量机算法171

6.3逻辑回归算法173

6.4 KNN算法175

6.4.1超参数k175

6.4.2 KNN实例：波士顿房价预测177

6.4.3算法评价179

6.5决策树算法179

6.6集成算法182

6.6.1集成算法简述182

6.6.2集成算法之Bagging183

6.6.3集成算法之Boosting184

6.7聚类算法185

6.7.1 K均值聚类185

6.7.2均值漂移聚类186

6.7.3基于密度的聚类方法187

6.7.4用高斯混合模型的最大期望聚类188

6.7.5凝聚层次聚类189

6.7.6图团体检测190

6.8机器学习算法总结192

第7章 深度学习193

7.1走进深度学习193

7.1.1深度学习为何崛起194

7.1.2从逻辑回归到浅层神经网络194

7.1.3深度神经网络196

7.1.4正向传播197

7.1.5激活函数197

7.2神经网络的训练197

7.2.1神经网络的参数197

7.2.2向量化198

7.2.3价值函数198

7.2.4梯度下降和反向传播198

7.3神经网络的优化和改进199

7.3.1神经网络的优化策略199

7.3.2正则化方法201

7.4卷积神经网络203

7.4.1卷积运算203

7.4.2卷积层204

7.4.3 CNN实例205

7.5深度学习的优势210

7.6深度学习的实现框架211

第8章 TensorFlow213

8.1 TensorFlow工具包213

8.1.1 tf estimator API214

8.1.2 Pandas速成214

8.1.3必要的Python知识216

8.2第一个TensorFlow程序219

8.2.1装载数据220

8.2.2探索数据221

8.2.3训练模型221

8.2.4评估模型223

8.2.5优化模型225

8.2.6合成特征231

8.2.7离群值处理234

8.3过拟合处理237

8.3.1训练集和测试集238

8.3.2验证集239

8.3.3过拟合实例240

8.4特征工程249

8.4.1数值型数据249

8.4.2字符串数据和one-hot编码250

8.4.3枚举数据（分类数据）250

8.4.4好特征250

8.4.5数据清洗251

8.4.6分箱（分桶）技术252

8.4.7特征工程实例253

第9章 TensorFlow高级知识263

9.1特征交叉263

9.1.1什么是特征交叉263

9.1.2 FTRL实践265

9.1.3分桶（分箱）代码实例268

9.1.4特征交叉代码实例271

9.2 L2正则化274

9.3逻辑回归276

9.4分类279

9.4.1评价指标——准确率279

9.4.2评价指标——精确率281

9.4.3指标——召回率281

9.4.4评价指标之综合考虑282

9.4.5 ROC曲线284

9.4.6预测偏差285

9.4.7分类代码实例286

9.5 L1正则化298

第10章 神经网络308

10.1什么是神经网络308

10.1.1隐藏层308

10.1.2激活函数309

10.1.3 ReLU310

10.1.4实例代码311

10.2训练神经网络320

10.2.1正向传播算法320

10.2.2反向传播算法322

10.2.3标准化特征值324

10.2.4丢弃正则化324

10.2.5代码实例325

10.3多类别神经网络340

10.3.1一对多方法340

10.3.2 Softmax341

10.3.3代码实例343

10.4嵌套357

10.4.1协同过滤358

10.4.2稀疏数据359

10.4.3获取嵌套360

10.4.4代码实例360

第11章 知识图谱372

11.1什么是知识图谱372

11.1.1知识图谱的定义373

11.1.2知识图谱的架构373

11.1.3开放知识图谱374

11.1.4知识图谱在行业数据分析中的应用376

11.2知识图谱构建的关键技术377

11.2.1知识提取378

11.2.2语义类抽取379

11.2.3属性和属性值抽取381

11.2.4关系抽取382

11.2.5知识表示382

11.2.6知识融合383

11.3知识计算及应用384

11.4企业知识图谱建设384

第12章 数据挖掘387

12.1什么是数据挖掘387

12.1.1数据挖掘技术产生的背景387

12.1.2数据挖掘与数据分析的区别387

12.2数据挖掘技术（方法）388

12.2.1分类388

12.2.2聚类389

12.2.3回归分析389

12.2.4关联规则389

12.2.5神经网络方法390

12.2.6 Web数据挖掘390

12.2.7特征分析390

12.2.8偏差分析391

12.3大数据思维391

12.3.1信度与效度思维391

12.3.2分类思维391

12.3.3漏斗思维392

12.3.4逻辑树思维392

12.3.5时间序列思维393

12.3.6指数化思维393

12.3.7循环/闭环思维394

第13章 银行业大数据和人工智能395

13.1四大行的进展396

13.1.1建设银行396

13.1.2工商银行396

13.1.3农业银行398

13.1.4中国银行398

13.2其他银行399

13.2.1广发银行399

13.2.2江苏银行400

13.3金融宏观大数据分析404

13.4小结407

13.4.1大数据给银行带来的机遇与挑战407

13.4.2银行大数据体系建设的思考409

第14章 医疗大数据和人工智能412

14.1医疗大数据的特点412

14.2医疗大数据处理模型413

14.3医疗大数据的AI应用416

14.3.1智能辅助诊疗416

14.3.2影像数据分析与影像智能诊断416

14.3.3合理用药416

14.3.4远程监控417

14.3.5精准医疗417

14.3.6成本与疗效分析417

14.3.7绩效管理417

14.3.8医院控费417

14.3.9医疗质量分析418

14.4人工智能的医疗应用场景418

14.5人工智能要当“医生”420

14.6医院大数据421

14.7机器学习在医疗行业中的应用实例分析422

第15章 公安大数据和人工智能424

15.1公安大数据的特点424

15.2建设流程425

15.3公安大数据管理平台426

15.3.1公安大数据建模427

15.3.2公安大数据汇集428

15.3.3公安大数据服务428

15.4公安大数据挖掘分析428

15.5公安大数据AI应用429

15.6小结430

第16章 工农业大数据和人工智能431

16.1中国制造2025432

16.2工业大数据433

16.2.1工业大数据面临三大制约因素433

16.2.2工业大数据应用的四大发展趋势434

16.2.3发展工业大数据434

16.3 AI＋制造435

16.4农业大数据435

16.4.1发展现状435

16.4.2农业大数据目标435

16.4.3农业大数据建设任务436

16.4.4农产品质量安全追溯437

附录A 国内人工智能企业名单438

附录B 大数据和人工智能网上资料441

附录C 本书中采用的人工智能中英文术语444

附录D 术语列表446