python人工智能入门 Python Beginner's Guide to Artificial Intelligence - 2018

图片.png

提供了创建机器学习，深度学习和现代数据分析所需的实用知识和技术。 您将从头开始学习各种机器学习和深度学习算法，并向您展示如何使用现实和有趣的示例将它们应用于实际的行业挑战。 您将学习使用TensorFlow的强大功能以及其他开源Python库构建强大，强大且准确的预测模型。

下载：https://itbooks.pipipan.com/fs/18113597-335644074

前言

提供了创建机器学习，深度学习和现代数据分析所需的实用知识和技术。您将从头开始学习各种机器学习和深度学习算法，并向您展示如何使用现实和有趣的示例将它们应用于实际的行业挑战。您将找到经典理念和机器学习的现代见解的新平衡。您将学习使用TensorFlow的强大功能以及其他开源Python库构建强大，强大且准确的预测模型。

在整个学习路径中，您将学习如何使用前馈神经网络，卷积神经网络，递归神经网络和自动编码器为机器学习系统开发深度学习应用程序。了解如何以分布式方式在GPU上实现深度学习编程。

在本学习路径结束时，您将了解AI的基础知识，并通过一系列案例研究来帮助您将技能应用于实际项目。

此学习路径适用于任何想要了解人工智能基础知识的人，并通过设计智能解决方案来实现它。您将学习如何通过创建实用的AI智能解决方案来扩展您的机器学习和深度学习知识。之前使用Python和统计知识的经验对于充分利用此学习路径至关重要。

本书内容

第1章，成为一名自适应思想家，通过基于马尔可夫决策过程（MDP）的Bellman方程来涵盖强化学习。案例研究描述了如何解决与人类驾驶员和自动驾驶车辆的交付路线问题。

第2章，像机器一样思考，从McCulloch开始演示神经网络皮茨神经元。案例研究描述了如何使用神经网络构建仓库环境中Bellman方程使用的奖励矩阵。

第3章，将机器思维应用于人类问题，展示了机器评估能力如何超越人类决策。案例研究描述了国际象棋的位置以及如何将AI计划的结果应用于决策优先事项。

第4章，成为一个非传统的创新者，是从头开始构建前馈神经网络（FNN）来解决XOR线性可分性问题。该业务案例描述了如何对工厂的订单进行分组。

第5章，管理机器学习和深度学习的力量，使用TensorFlow和TensorBoard构建FNN并将其呈现在会议中。

第6章，不要迷失技术 - 专注于优化您的解决方案，涵盖使用Lloyd算法的Kmeans聚类程序以及如何应用于仓库中自动引导车辆的优化。

第7章，何时以及如何使用人工智能，展示了云平台机器学习解决方案。我们使用Amazon Web Services SageMaker来解决K-means集群问题。该业务案例描述了公司如何分析全球的电话呼叫持续时间。

第8章，为一些公司设计的革命和针对小型到大型公司的颠覆性创新，解释了革命性创新和颠覆性创新之间的区别。

第9章，让你的神经元工作，描述卷积神经网络（CNN）详细信息：内核，形状，激活函数，池化，展平和密集层。案例研究说明了在食品加工公司中使用CNN。

第10章，将Biomimicking应用于人工智能，描述了神经科学模型和深度学习解决方案在表达人类思维时的区别。 TensorFlow MNIST分类器按组件解释并在TensorBoard中详细显示。我们涵盖图像，精度，交叉熵，权重，直方图和图形。

第11章，概念表征学习，解释概念表征学习（CRL），这是一种通过CNN转换为CRL元模型来解决生产流程的创新方法。案例研究展示了如何使用CRLMM进行转移和领域学习，将模型扩展到调度和自动驾驶汽车。

第12章，使用AI优化区块链，是关于挖掘区块链并描述区块链如何运作。我们使用Naive Bayes通过预测交易来预测存储水平来优化供应链管理（SCM）区块链的块。

第13章，Cognitive NLP Chatbots，展示了如何使用意图，实体和对话流实现IBM Watson的聊天机器人。我们添加脚本来自定义对话框，添加情绪分析

第14章，改善聊天机器人的情绪智能缺陷，展示了如何通过使用各种算法同时构建复杂的对话框，将聊天机器人变成具有同理心的机器。我们涵盖受限玻尔兹曼机器（RBM），CRLMM，RNN，字到矢量（word2Vec）嵌入和主成分分析（PCA）。 Python程序说明了机器和用户之间的同情对话。
第15章，构建深度学习环境，在本章中，我们将使用Ubuntu，Anaconda，Python，TensorFlow，Keras和Google Cloud Platform（GCP）等核心技术为我们的项目建立一个通用工作区。
第16章，使用回归训练NN进行预测，在本章中，我们将在TensorFlow中构建一个2层（最小深度）神经网络，并将其训练为用于餐馆顾客文本通知业务用例的经典MNIST手写数字数据集。
第17章，内容创建的生成语言模型，在本章中，我们使用长期短期记忆（LSTM），变分自动编码器和生成性对抗网络（GAN）实现生成内容的生成模型。您将有效地实现文本和音乐的模型，这些模型可以为艺术家和各种创意业务生成歌词，脚本和音乐。

第18章，使用DeepSpeech2构建语音识别，在本章中，我们构建并训练一个自动语音识别（ASR）系统，接受然后将音频调用转换为文本，然后将其用作基于文本的聊天机器人的输入。使用语音和频谱图来构建具有连接主义时间分类（CTC）丢失功能，批量归一化和RNN的SortaGrad的端到端语音识别系统。

第19章，手写数字分类使用ConvNets，在本章中，我们将在卷积运算，汇集和丢失正则化的检查中教授卷积神经网络（ConvNets）的基础知识。这些是您在职业生涯中调整模型时可以调整的杠杆。与第16章“使用回归进行预测的NN培训”中的早期Python深度学习项目相比，在性能结果中部署更复杂，更深入的模型的价值。

第20章，对象检测使用OpenCV和TensorFlow，在本章中，我们将学习掌握对象检测和分类，同时使用比以前的项目更复杂的信息复杂数据，以产生令人印象深刻的结果。学习使用深度学习软件包YOLOv2，并获得如何使这种模型架构更深入，更复杂并产生良好结果的经验。

第21章，构建面部识别使用FaceNet，在本章中，我们将使用FaceNet构建一个模型，该模型可以查看图片并识别其中的所有可能面部，然后执行面部提取以了解图像的面部部分的质量。在面部识别的图像部分上执行特征提取提供了与另一个数据点（人脸的标记图像）进行比较的基础。这个Python深度学习项目展示了这项技术在从社交媒体到安全的应用程序中令人兴奋的潜力。

第22章，生成对抗网络，讨论扩展卷积神经网络（CNN）的能力。这将通过使用它们来创建合成图像来完成。我们将学习如何使用简单的CNN生成图像。我们将看到各种类型的GAN及其应用。

第23章，从GPU到量子计算 - AI硬件，讨论了可用于AI应用程序开发的不同硬件。我们将从CPU开始，并将我们的主题扩展到GPU，ASIC和TPU。我们将看到硬件技术如何与软件技术一起发展。

第24章，TensorFlow服务，解释了如何在服务器上部署我们训练有素的模型，以便大多数人可以使用我们的解决方案。我们将了解TensorFlow服务，我们将在本地服务器上部署一个非常简单的模型。