AI速成课：从AI编程到构建智能软件

定　价：¥89.00

作　者：	赫德林·德·庞特维斯著，程泽黄曼莉译译
出版社：	机械工业出版社
丛编项：	智能系统与技术丛书
标　签：	暂缺

购买这本书可以去

ISBN：	9787111661276	出版时间：	2020-08-01	包装：	平装
开本：	16开	页数：	264	字数：

内容简介

　　本书从基础知识入手，详细讲解通过强化学习和深度学习构建AI系统所需的一切，并通过5个完整的项目实例，循序渐进展示如何使用*佳、*简单的AI编程工具（包括Python、TensorFlow、Keras和PyTorch）构建智能软件。具体内容包括AI工具包、Python基础、AI基础技巧、你的个AI模型、销售和广告中的AI、Q学习、物流行业中的AI、人工大脑、自动驾驶车辆中的AI、商业中的AI、深度卷积Q学习、游戏中的AI。

作者简介

　　赫德林·德·庞特维斯（Hadelin de Ponteves）是BlueLife AI的联合创始人兼首席执行官，该公司利用前沿人工智能技术，通过优化流程、*大化效率和提高盈利能力，使企业获得巨额利润。他还是一位在线企业家，创建了50多个口碑极好的在线教育课程，内容涵盖机器学习、深度学习、人工智能和区块链等主题，在204个国家/地区拥有700000多个订阅者。

图书目录

译者序
前言
作者简介
审校者简介
第1章　欢迎来到机器人世界1
　11　开始你的AI旅程1
　12　四种不同的AI模型2
　13　学习AI可以让你做什么3
　14　小结5
第2章　探索你的AI工具包6
　21　GitHub源代码页面6
　22　Colaboratory 运行环境7
　23　小结11
第3章　Python基础——学习如何用Python编程12
　31　显示文本13
　32　变量和操作13
　33　列表和数组14
　34　if语句和条件16
　35　for循环和while循环17
　36　函数21
　37　类和对象22
　38　小结24
第4章　AI基础技巧25
　41　什么是强化学习25
　42　强化学习的五大原理26
421　原理#1——输入与输出系统26
422　原理#2——奖励27
423　原理#3——AI环境27
424　原理#4——马尔可夫决策过程28
425　原理#5——训练与推断28
　43　小结30
第5章　你的第一个AI模型——小心老虎机31
　51　多臂老虎机问题31
　52　汤普森采样模型32
521　模型编程32
522　理解模型36
523　什么是分布37
524　应对多臂老虎机问题39
525　汤普森采样策略三步走41
526　汤普森采样模型的临门一脚42
527　汤普森采样模型与标准模型42
　53　小结44
第6章　销售和广告中的AI——像“AI街之狼”一样销售45
　61　待解决的问题45
　62　用仿真构建AI环境47
621　运行仿真程序48
622　回顾50
　63　AI解决方案及其直觉的回顾50
631　AI解决方案51
632　直觉51
　64　技术实现52
641　汤普森采样与随机策略选择52
642　开始编程52
643　最终结果57
　65　小结58
第7章　欢迎来到Q学习59
　71　迷宫59
711　第一步60
712　构建环境61
713　构建AI模型64
　72　Q学习的完整流程66
721　训练模式66
722　推断模式67
　73　小结67
第8章　物流行业中的AI——仓库中的机器人68
　81　构建环境69
811　状态70
812　行为70
813　奖励70
814　AI解决方案回顾70
　82　技术实现71
821　第1部分——构建环境72
822　第2部分——用Q学习构建AI解决方案74
823　第3部分——进入推断模式75
824　改进1——自动化奖励分配77
825　改进2——加入一个中间目标80
　83　小结82
第9章　人工大脑——深度Q学习83
　91　预测房价83
911　上传数据集84
912　导入依赖库85
913　排除变量86
914　准备数据87
915　构建神经网络90
916　训练神经网络91
917　展示结果91
　92　深度学习理论92
921　神经元92
922　激活函数95
923　神经网络的工作原理98
924　神经网络如何学习98
925　正向传播算法和反向传播算法99
926　梯度下降算法100
　93　深度Q学习106
931　归一化指数方法107
932　深度Q学习回顾108
933　经验回放109
934　深度Q学习的完整算法109
　94　小结110
第10章　自动驾驶汽车中的AI——造一辆自动驾驶汽车111
　101　构建环境111
1011　设定目标113
1012　设置参数116
1013　输入状态118
1014　输出行为119
1015　奖励120
　102　AI解决方案回顾122
　103　技术实现123
1031　第1步——导入依赖库123
1032　第2步——创造神经网络的架构124
1033　第3步——实现经验回放127
1034　第4步——实现深度Q学习130
　104　演示138
1041　安装Anaconda139
1042　用Python 36创建一个虚拟环境140
1043　安装PyTorch142
1044　安装Kivy143
　105　小结151
第11章　商业中的AI——用深度Q学习使成本最小化152
　111　要解决的问题152
　112　构建环境153
1121　服务器环境中的常量和变量153
1122　关于服务器环境的假设154
1123　仿真155
1124　整体功能156
1125　定义状态157
1126　定义行为158
1127　定义奖励158
1128　最后的仿真示例159
　113　AI解决方案161
1131　大脑162
1132　技术实现163
　114　演示191
115　回顾——通用AI框架/蓝图199
　116　小结200
第12章　深度卷积Q学习201
　121　CNN有什么用途201
　122　CNN的工作原理202
1221　第1步——卷积204
1222　第2步——最大池化206
1223　第3步——扁平化209
1224　第4步——全连接210
　123　深度卷积Q学习211
　124　小结212
第13章　游戏中的AI——成为《贪吃蛇》大师213
　131　要解决的问题213
　132　构建环境214
1321　定义状态214
1322　定义行为215
1323　定义奖励216
　133　AI解决方案216
1331　大脑217
1332　经验回放记忆218
　134　技术实现219
1341　第1步——构建环境219
1342　第2步——构建大脑226
1343　第3步——构建经验回放记忆228
1344　第4步——训练AI模型230
1345　第5步——测试AI模型235
　135　演示237
1351　安装237
1352　结果242
　136　小结243
第14章　回顾与总结244
　141　回顾——整体AI框架/蓝图244
　142　探索你在AI领域的下一站245
1421　不断练习246
1422　社交247
1423　学无止境247