python人工智慧入門 Python Beginner's Guide to Artificial Intelligence - 2018
圖片.png
提供了建立機器學習，深度學習和現代資料分析所需的實用知識和技術。 您將從頭開始學習各種機器學習和深度學習演算法，並向您展示如何使用現實和有趣的示例將它們應用於實際的行業挑戰。 您將學習使用TensorFlow的強大功能以及其他開源Python庫構建強大，強大且準確的預測模型。
下載： https://itbooks.pipipan.com/fs/18113597-335644074
前言
提供了建立機器學習，深度學習和現代資料分析所需的實用知識和技術。您將從頭開始學習各種機器學習和深度學習演算法，並向您展示如何使用現實和有趣的示例將它們應用於實際的行業挑戰。您將找到經典理念和機器學習的現代見解的新平衡。您將學習使用TensorFlow的強大功能以及其他開源Python庫構建強大，強大且準確的預測模型。
在整個學習路徑中，您將學習如何使用前饋神經網路，卷積神經網路，遞迴神經網路和自動編碼器為機器學習系統開發深度學習應用程式。瞭解如何以分散式方式在GPU上實現深度學習程式設計。
在本學習路徑結束時，您將瞭解AI的基礎知識，並通過一系列案例研究來幫助您將技能應用於實際專案。
此學習路徑適用於任何想要了解人工智慧基礎知識的人，並通過設計智慧解決方案來實現它。您將學習如何通過建立實用的AI智慧解決方案來擴充套件您的機器學習和深度學習知識。之前使用Python和統計知識的經驗對於充分利用此學習路徑至關重要。
本書內容
第1章，成為一名自適應思想家，通過基於馬爾可夫決策過程（MDP）的Bellman方程來涵蓋強化學習。案例研究描述瞭如何解決與人類駕駛員和自動駕駛車輛的交付路線問題。
第2章，像機器一樣思考，從McCulloch開始演示神經網路皮茨神經元。案例研究描述瞭如何使用神經網路構建倉庫環境中Bellman方程使用的獎勵矩陣。
第3章，將機器思維應用於人類問題，展示了機器評估能力如何超越人類決策。案例研究描述了國際象棋的位置以及如何將AI計劃的結果應用於決策優先事項。
第4章，成為一個非傳統的創新者，是從頭開始構建前饋神經網路（FNN）來解決XOR線性可分性問題。該業務案例描述瞭如何對工廠的訂單進行分組。
第5章，管理機器學習和深度學習的力量，使用TensorFlow和TensorBoard構建FNN並將其呈現在會議中。
第6章，不要迷失技術 - 專注於優化您的解決方案，涵蓋使用Lloyd演算法的Kmeans聚類程式以及如何應用於倉庫中自動引導車輛的優化。
第7章，何時以及如何使用人工智慧，展示了雲平臺機器學習解決方案。我們使用Amazon Web Services SageMaker來解決K-means叢集問題。該業務案例描述了公司如何分析全球的電話呼叫持續時間。
第8章，為一些公司設計的革命和針對小型到大型公司的顛覆性創新，解釋了革命性創新和顛覆性創新之間的區別。
第9章，讓你的神經元工作，描述卷積神經網路（CNN）詳細資訊：核心，形狀，啟用函式，池化，展平和密集層。案例研究說明了在食品加工公司中使用CNN。
第10章，將Biomimicking應用於人工智慧，描述了神經科學模型和深度學習解決方案在表達人類思維時的區別。 TensorFlow MNIST分類器按元件解釋並在TensorBoard中詳細顯示。我們涵蓋影象，精度，交叉熵，權重，直方圖和圖形。
第11章，概念表徵學習，解釋概念表徵學習（CRL），這是一種通過CNN轉換為CRL元模型來解決生產流程的創新方法。案例研究展示瞭如何使用CRLMM進行轉移和領域學習，將模型擴充套件到排程和自動駕駛汽車。
第12章，使用AI優化區塊鏈，是關於挖掘區塊鏈並描述區塊鏈如何運作。我們使用Naive Bayes通過預測交易來預測儲存水平來優化供應鏈管理（SCM）區塊鏈的塊。
第13章，Cognitive NLP Chatbots，展示瞭如何使用意圖，實體和對話流實現IBM Watson的聊天機器人。我們新增指令碼來自定義對話方塊，新增情緒分析
第14章，改善聊天機器人的情緒智慧缺陷，展示瞭如何通過使用各種演算法同時構建複雜的對話方塊，將聊天機器人變成具有同理心的機器。我們涵蓋受限玻爾茲曼機器（RBM），CRLMM，RNN，字到向量（word2Vec）嵌入和主成分分析（PCA）。 Python程式說明了機器和使用者之間的同情對話。
第15章，構建深度學習環境，在本章中，我們將使用Ubuntu，Anaconda，Python，TensorFlow，Keras和Google Cloud Platform（GCP）等核心技術為我們的專案建立一個通用工作區。
第16章，使用迴歸訓練NN進行預測，在本章中，我們將在TensorFlow中構建一個2層（最小深度）神經網路，並將其訓練為用於餐館顧客文字通知業務用例的經典MNIST手寫數字資料集。
第17章，內容建立的生成語言模型，在本章中，我們使用長期短期記憶（LSTM），變分自動編碼器和生成性對抗網路（GAN）實現生成內容的生成模型。您將有效地實現文字和音樂的模型，這些模型可以為藝術家和各種創意業務生成歌詞，指令碼和音樂。
第18章，使用DeepSpeech2構建語音識別，在本章中，我們構建並訓練一個自動語音識別（ASR）系統，接受然後將音訊呼叫轉換為文字，然後將其用作基於文字的聊天機器人的輸入。使用語音和頻譜圖來構建具有連線主義時間分類（CTC）丟失功能，批量歸一化和RNN的SortaGrad的端到端語音識別系統。
第19章，手寫數字分類使用ConvNets，在本章中，我們將在卷積運算，彙集和丟失正則化的檢查中教授卷積神經網路（ConvNets）的基礎知識。這些是您在職業生涯中調整模型時可以調整的槓桿。與第16章“使用迴歸進行預測的NN培訓”中的早期Python深度學習專案相比，在效能結果中部署更復雜，更深入的模型的價值。
第20章，物件檢測使用OpenCV和TensorFlow，在本章中，我們將學習掌握物件檢測和分類，同時使用比以前的專案更復雜的資訊複雜資料，以產生令人印象深刻的結果。學習使用深度學習軟體包YOLOv2，並獲得如何使這種模型架構更深入，更復雜併產生良好結果的經驗。
第21章，構建面部識別使用FaceNet，在本章中，我們將使用FaceNet構建一個模型，該模型可以檢視圖片並識別其中的所有可能面部，然後執行面部提取以瞭解影象的面部部分的質量。在面部識別的影象部分上執行特徵提取提供了與另一個數據點（人臉的標記影象）進行比較的基礎。這個Python深度學習專案展示了這項技術在從社交媒體到安全的應用程式中令人興奮的潛力。
第22章，生成對抗網路，討論擴展卷積神經網路（CNN）的能力。這將通過使用它們來建立合成影象來完成。我們將學習如何使用簡單的CNN生成影象。我們將看到各種型別的GAN及其應用。
第23章，從GPU到量子計算 - AI硬體，討論了可用於AI應用程式開發的不同硬體。我們將從CPU開始，並將我們的主題擴充套件到GPU，ASIC和TPU。我們將看到硬體技術如何與軟體技術一起發展。
第24章，TensorFlow服務，解釋瞭如何在伺服器上部署我們訓練有素的模型，以便大多數人可以使用我們的解決方案。我們將瞭解TensorFlow服務，我們將在本地伺服器上部署一個非常簡單的模型。