人工智能技術(shù)

第 1章　人工智能概述　1
1．1　人工智能的概念　1
1．1．1　什么是人工智能　1
1．1．2　AI、機器學習、深度學習的關(guān)系　3
1．1．3　AI的分類　4
1．1．4　AI的發(fā)展史　4
1．1．5　AI的3大學派　8
1．2　AI相關(guān)技術(shù)概覽　9
1．2．1　深度學習框架介紹　10
1．2．2　AI處理器簡介　11
1．2．3　AI產(chǎn)業(yè)生態(tài)　13
1．2．4　華為云企業(yè)智能應用平臺　15
1．3　AI的技術(shù)領(lǐng)域與應用領(lǐng)域　17
1．3．1　AI技術(shù)領(lǐng)域　17
1．3．2　AI應用領(lǐng)域　19
1．3．3　AI所處的階段　21
1．4　華為AI發(fā)展戰(zhàn)略　21
1．4．1　全棧全場景AI解決方案　21
1．4．2　華為AI全棧方向　21
1．5　AI的爭議　23
1．5．1　算法偏見　23
1．5．2　隱私問題　24
1．5．3　技術(shù)與倫理的矛盾　24
1．5．4　大家都會失業(yè)嗎？　24
1．6　AI的發(fā)展趨勢　24
1．7　本章小結(jié)　26
1．8　習題　26
第 2章　機器學習　27
2．1　機器學習概述　27
2．1．1　機器學習算法的理性認識　28
2．1．2　機器學習解決的主要問題　29
2．2　機器學習的分類　29
2．2．1　監(jiān)督學習　30
2．2．2　無監(jiān)督學習　31
2．2．3　半監(jiān)督學習　31
2．2．4　強化學習　32
2．3　機器學習的整體流程　33
2．3．1　數(shù)據(jù)收集　33
2．3．2　數(shù)據(jù)清洗　34
2．3．3　特征選擇　35
2．3．4　模型構(gòu)建整體流程　36
2．3．5　模型評估　37
2．4　模型中的參數(shù)與超參數(shù)　40
2．4．1　梯度下降　41
2．4．2　驗證集與超參數(shù)搜索　42
2．4．3　交叉驗證　43
2．5　機器學習的常見算法　43
2．5．1　線性回歸　44
2．5．2　邏輯回歸　46
2．5．3　決策樹　48
2．5．4　支持向量機　49
2．5．5　K近鄰算法　50
2．5．6　樸素貝葉斯　51
2．5．7　集成學習　52
2．5．8　聚類算法　54
2．6　案例詳解　54
2．7　本章小結(jié)　56
2．8　習題　57
第3章　深度學習概覽　58
3．1　深度學習簡介　58
3．1．1　深度神經(jīng)網(wǎng)絡(luò)　59
3．1．2　深度學習的發(fā)展歷程　59
3．1．3　感知器算法　60
3．2　訓練法則　62
3．2．1　損失函數(shù)　62
3．2．2　梯度下降算法　63
3．2．3　反向傳播算法　64
3．3　激活函數(shù)　66
3．4　正則化　67
3．4．1　參數(shù)懲罰　67
3．4．2　數(shù)據(jù)集擴充　69
3．4．3　Dropout　69
3．4．4　提前停止訓練　70
3．5　優(yōu)化器　70
3．5．1　動量優(yōu)化器　70
3．5．2　Adagrad優(yōu)化器　71
3．5．3　RMSprop優(yōu)化器　72
3．5．4　Adam優(yōu)化器　72
3．6　神經(jīng)網(wǎng)絡(luò)類型　73
3．6．1　卷積神經(jīng)網(wǎng)絡(luò)　73
3．6．2　循環(huán)神經(jīng)網(wǎng)絡(luò)　76
3．6．3　生成對抗網(wǎng)絡(luò)　78
3．7　常見問題　79
3．7．1　數(shù)據(jù)不平衡問題　79
3．7．2　梯度消失與梯度爆炸　80
3．7．3　過擬合問題　80
3．8　本章小結(jié)　80
3．9　習題　80
第4章　深度學習開發(fā)框架　82
4．1　深度學習開發(fā)框架簡介　82
4．1．1　PyTorch介紹　82
4．1．2　MindSpore介紹　82
4．1．3　TensorFlow介紹　84
4．2　TensorFlow 2．0基礎(chǔ)　85
4．2．1　TensorFlow 2．0簡介　85
4．2．2　張量介紹　85
4．2．3　TensorFlow 2．0 Eager Execution　85
4．2．4　TensorFlow 2．0 AutoGraph　85
4．3　TensorFlow 2．0模塊介紹　86
4．3．1　常見模塊介紹　86
4．3．2　Keras接口　86
4．4　TensorFlow 2．0開發(fā)基本步驟　87
4．4．1　環(huán)境搭建　87
4．4．2　開發(fā)流程　88
4．5　本章小結(jié)　90
4．6　習題　90
第5章　華為AI開發(fā)框架MindSpore　92
5．1　MindSpore開發(fā)框架簡介　92
5．1．1　MindSpore架構(gòu)　92
5．1．2　MindSpore的設(shè)計理念　93
5．1．3　MindSpore的優(yōu)點　98
5．2　MindSpore開發(fā)與應用　99
5．2．1　環(huán)境搭建　99
5．2．2　MindSpore相關(guān)組件及概念　101
5．2．3　用MindSpore實現(xiàn)手寫數(shù)字識別　102
5．3　本章小結(jié)　109
5．4　習題　109
第6章　華為Atlas人工智能計算解決方案　110
6．1　昇騰AI處理器的硬件架構(gòu)　110
6．1．1　昇騰AI處理器硬件的邏輯架構(gòu)　110
6．1．2　達芬奇架構(gòu)　110
6．2　昇騰AI處理器的軟件架構(gòu)　114
6．2．1　昇騰AI處理器軟件的邏輯架構(gòu)　114
6．2．2　昇騰AI處理器神經(jīng)網(wǎng)絡(luò)軟件流　116
6．2．3　昇騰AI處理器軟件流各功能模塊介紹　117
6．2．4　昇騰AI處理器的數(shù)據(jù)流程　131
6．3　Atlas人工智能計算解決方案　132
6．3．1　Atlas加速AI推理　132
6．3．2　Atlas加速AI訓練　142
6．3．3　Atlas端、邊、云協(xié)同　144
6．4　Atlas的行業(yè)應用　145
6．4．1　電力：智能電網(wǎng)一站式ICT解決方案　145
6．4．2　智慧金融：全面數(shù)字化轉(zhuǎn)型　145
6．4．3　智能制造：機器與思想的數(shù)字化融合　146
6．4．4　智慧交通：人悅于行，物優(yōu)其流　146
6．4．5　超算：打造國家級人工智能平臺　147
6．5　本章小結(jié)　147
6．6　習題　148
第7章　華為智能終端AI能力開放平臺　149
7．1　HUAWEI HiAI平臺介紹　149
7．1．1　HUAWEI HiAI 平臺架構(gòu)　150
7．1．2　HUAWEI HiAI Foundation　151
7．1．3　HUAWEI HiAI Engine　153
7．1．4　HUAWEI HiAI Service　153
7．2　基于HUAWEI HiAI平臺開發(fā)App　154
7．3　HUAWEI HiAI部分解決方案　156
7．3．1　HUAWEI HiAI助力聾啞人士　156
7．3．2　HUAWEI HiAI提升元貝駕考應用的視覺體驗　157
7．3．3　HUAWEI HiAI賦能攜程旅行　157
7．3．4　HUAWEI HiAI賦能WPS文檔檢測校正　158
7．4　本章小結(jié)　160
7．5　習題　161
第8章　華為云企業(yè)智能應用平臺　162
8．1　華為云EI服務家族　162
8．1．1　華為云EI智能體　163
8．1．2　EI基礎(chǔ)平臺——華為HiLens　166
8．1．3　EI基礎(chǔ)平臺——圖引擎服務　169
8．1．4　EI家族其他服務介紹　170
8．2　ModelArts　178
8．2．1　ModelArts功能介紹　178
8．2．2　ModelArts的產(chǎn)品結(jié)構(gòu)及應用　179
8．2．3　ModelArts的產(chǎn)品優(yōu)勢　180
8．2．4　訪問ModelArts的方式　180
8．2．5　ModelArts使用簡介　181
8．3　華為云EI解決方案　182
8．3．1　OCR服務實現(xiàn)報銷發(fā)票全流程自動化案例　182
8．3．2　OCR助力智慧物流案例　183
8．3．3　對話機器人　183
8．3．4　某區(qū)企業(yè)智能問答案例　185
8．3．5　基因知識圖譜案例　186
8．3．6　基于知識圖譜的政策查詢　186
8．3．7　智慧園區(qū)案例　187
8．3．8　人流統(tǒng)計及熱力圖案例　188
8．3．9　車輛識別案例　188
8．3．10　入侵識別案例　189
8．3．11　中石油認知計算平臺——測井油氣層識別　190
8．4　本章小結(jié)　191
8．5　習題　192
附錄A　HiAI Engine具體API簡介　193
附錄B　習題解答　200