标签分类 热门分类
当前位置:首页 > 人工智能电子书 > 大数据电子书网盘下载
人工智能与大数据技术导论

人工智能与大数据技术导论 完整超清版电子书

官方价: 55.5

更 新:

人工智能与大数据技术导论 (pdf、epub、mobi、azw3)下载

下载地址:https://pan.baidu.com/s/1NKJXPzP8rP3QL8mUUhNUv

分享码:9ww7

给大家带来的一篇关于大数据相关的电子书资源,介绍了关于人工智能、大数据、技术导论方面的内容,本书是由清华大学出版社出版,格式根据源资源分为PDF、epub、mobi、azw3其中一种或多种格式,资源大小41.9 MB,杨正洪、郭良越、编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.5,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

人工智能与大数据技术导论 PDF

这书从人工智能的界定下手,前两章论述了人工智能火爆的诱因、发展史、全产业链、技术性和应用领域,从第3章刚开始详尽论述人工智能的好多个关键技术(互联网大数据、深度学习、深度神经网络)和*时兴的开源系统服务平台(TensorFlow)。根据这书,用户即能掌握人工智能的各个方面(深度广度),又能深度神经网络人工智能的重中之重技术性导量专用工具,*终可以将人工智能应用运用到具体工作中情景中,相互建立1个智能化的时期。这书全方位叙述人工智能与互联网大数据涉及到的技术性,学好这书后,用户将对人工智能应用有全方位的了解,能够把握AI总体专业知识构架。 这书共有16章,內容包含人工智能简述、AI产业链、统计数据、深度学习简述、实体模型、机器学习算法、深度神经网络、TensorFlow、神经元网络、Knowledge Graph、大数据挖掘,及其商业银行、诊疗、公安人员、工业等制造行业人工智能技术状况。附则得出了极有实用价值的互联网大数据与人工智能产业链资料可参考。 这书合适人工智能与云计算技术新手、人工智能制造行业准从业者、AI项目投资行业的技术性权威专家阅读文章,也合适做为高等学校和培训机构人工智能有关技术专业老师学生的课堂教学教材。

目录

  • 第1章  人工智能概述    1
  • 1.1  AI是什么    1
  • 1.1.1  火热的AI    2
  • 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  GPU    27
  • 2.1.3  FPGA    28
  • 2.1.4  ASIC    28
  • 2.1.5  TPU    29
  • 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  Hadoop    77
  • 3.4.4  Spark    80
  • 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MSE    148
  • 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  Python    160
  • 5.7.2  scikit-learn    161
  • 5.7.3  Spark MLlib    163
  • 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AdaBoost    170
  • 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k    175
  • 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Bagging    183
  • 6.6.3  集成算法之Boosting    184
  • 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  TensorFlow    213
  • 8.1  TensorFlow工具包    213
  • 8.1.1  tf.estimator API    214
  • 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  ReLU    310
  • 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  Softmax    341
  • 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2025    432
  • 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

上一篇:Java从入门到精通  下一篇:零基础学WordPress

展开 +

收起 -

大数据 相关电子书
大数据 学习笔记
网友NO.256390

python人工智能难吗

人工智能是一门交叉学科,从被提出到现在也有六十多年的历史,目前仍处在AI初级阶段。之所以发展缓慢的一个重要原因是人工智能的技术难度很高,它涉及计算机、心理学、哲学等,对从业者要求很高,目前国内从事AI行业的工程师很多是硕士或以上学位。 人工智能技术可应用于安防、医疗、家居、交通、智慧城市等各行各业,其前景是毋庸置疑的,未来绝对是一个万亿级市场。(推荐学习:Python视频教程) 根据应用领域的不同,人工智能研究的技术也不尽相同,目前以机器学习、计算机视觉等成为热门的AI技术方向,一起探索人工智能的发展与未来。 机器学习是人工智能的核心 机器学习也被称为人工智能的核心,它主要是研究计算机怎样模拟或实现人类的学习行为以获取新的知识或技能,帮助计算机重新组织已有知识结构使之不断改善自身的性能。 机器学习是人工智能研究的一个分支,人们对机器学习的研究也有很多年了。它的发展过程大体上可分为几个时期,第一是在20世纪50年代中叶到60年代中叶,属于热烈时期;第二是在20世纪60年代中叶至70年代中叶,被称为机器学习的冷静时期;第三是从20世纪70年代中叶至80年代中叶,称为复兴时期;第四阶段的机器学习开始于1986年,目前我们仍处在这个时期。 现在很多……

网友NO.988821

python人工智能是什么意思

python是一款应用非常广泛的脚本程序语言,谷歌公司的网页就是用python编写。python在生物信息、统计、网页制作、计算等多个领域都体现出了强大的功能。 人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能可以对人的意识、思维的信息过程的模拟。python可以应用在人工智能领域,但是单有Python是不能代替人工智能的。 以上就是python人工智能是什么意思的详细内容,更多请关注码农之家其它相关文章! ……

网友NO.821197

java实现人工智能化屏幕监控窗口

本文实例为大家分享了java实现人工智能化屏幕监控窗口的具体代码,供大家参考,具体内容如下 具体代码实现(含注释) public class Main{ public static void main(String[] args) throws Exception{ /* test code */ } /** *用于实时监控屏幕的窗口 *@author chengxi *@param void *@return void */ public static void mvcontroll() throws Exception{ /* 建立一个监控屏幕的窗口 */ JFrame frame = new JFrame("人工智能化屏幕监控系统") ; frame.setSize(600,600) ; frame.setVisible(true) ; /* 设置总是显示在顶部 */ frame.setAlwaysOnTop(true) ; /* 获取默认的工具包 */ Toolkit tk = Toolkit.getDefaultToolkit() ; /* 使用工具包获取屏幕的大小,这是创建工具包的唯一作用 */ Dimension dm = tk.getScreenSize() ; /* 创建图像的显示区域 */ JLabel imageLabel = new JLabel() ; frame.add(imageLabel) ; /* 创建一个机器人 */ Robot robot = new Robot() ; /* 持续监控屏幕 */ while(true) { /* 创建用于显示屏幕分享部分的区域,填入x/y/width/height Rectangle rec = new Rectangle(frame.getWidth() , 0 , (int)dm.getWidth() - frame.getWidth() , (int)dm.getHeight()) ; /* 根据屏幕分享的当前分享图像创建一个图像对象 */ BufferedImage bufimg = robot.createScreenCapture(rec)) ; /* 实时显示在图像显示区域中 */ imageLabel.setIcon(new ImageIcon(bufimg)) ; } } /** *打开指定的路径 public static void midopenQQ(String path) throws Exception{ Desktop desktop……

网友NO.865335

python、java等哪一门编程语言适合人工智能?

谷歌的AI击败了一位围棋大师,是一种衡量人工智能突然的快速发展的方式,也揭示了这些技术如何发展而来和将来可以如何发展。 人工智能是一种未来性的技术,目前正在致力于研究自己的一套工具。一系列的进展在过去的几年中发生了:无事故驾驶超过300000英里并在三个州合法行驶迎来了自动驾驶的一个里程碑;IBM Waston击败了Jeopardy两届冠军;统计学习技术从对消费者兴趣到以万亿记的图像的复杂数据集进行模式识别。这些发展必然提高了科学家和巨匠们对人工智能的兴趣,这也使得开发者们了解创建人工智能应用的真实本质。 开发这些需要注意的第一件事是: 哪一种编程语言适合人工智能? 你所熟练掌握的每一种编程语言都可以是人工智能的开发语言。 人工智能程序可以使用几乎所有的编程语言实现,最常见的有:Lisp,Prolog,C/C++,近来又有Java,最近还有Python. LISP 像LISP这样的高级语言在人工智能中备受青睐,因为在各高校多年的研究后选择了快速原型而舍弃了快速执行。垃圾收集,动态类型,数据函数,统一的语法,交互式环境和可扩展性等一些特性使得LIST非常适合人工智能编程。 PROLOG 这种语言有着LISP高层和传统优势有效结合,这对AI是非常有用的。它的优势是解决“基于逻辑的问题”。Prolog提供了针对于逻辑……

码小辫

码小辫 发起

资源
42
粉丝
8
喜欢
256
评论
11

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明