掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
無人工智能數學基礎 版權信息
- ISBN：9787301314319
- 條形碼：9787301314319 ; 978-7-301-31431-9
- 裝幀：70g膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
無人工智能數學基礎 本書特色
（1）零基礎也能快速入門。本書從*基礎的高等數學基礎講起，由淺入深，層層遞進，在鞏固固有知識的同時深入講解人工智能的算法原理，無論讀者是否從事計算機相關行業，是否接觸過人工智能，都能通過本書實現快速入門。 （2）全新視角介紹數學知識。采用計算機程序模擬數學推論的介紹方法，使數學知識更為清晰易懂，更容易讓初學者深入理解數學定理、公式的意義，從而激發起讀者的學習興趣。 （3）理論和實踐相結合。每章*后提供根據所在章的理論知識點精心設計的“綜合性實例”，讀者可以通過綜合案例進行實踐操作，為以后的算法學習奠定基礎。 （4）大量范例源碼+習題答案，為學習排憂解難。本書所有示例都有清晰完整的源碼，每章之后設有習題并配套題目答案，講解清晰，解決讀者在學習中的所有困惑。
無人工智能數學基礎 內容簡介
數據科學與人工智能數學基礎課旨在幫助讀者快速打下數學基礎，通俗講解每一個知識點。 全書分為3篇，共17章。其中篇為基礎篇，主要講述了高等數學基礎、微積分、泰勒公式與拉格朗日；第2篇為核心知識篇，主要講述了線性代數基礎、特征值與矩陣分解、隨機變量與概率估計、概率論基礎、數據科學的幾種分布、核函數變換、熵與激活函數；第3篇為 應用篇，主要講述了回歸分析、假設檢驗、相關分析、方差分析、聚類分析、貝葉斯分析等內容。書中案例均是與AI相關的案例。 本書適合準備從事或學習數據科學與人工智能相關行業的讀者。
無人工智能數學基礎 目錄
第1 章 人工智能與數學基礎..........１
1.1 什么是人工智能............................ 2
1.2 人工智能的發展 ............................ 2
1.3 人工智能的應用 ............................ 4
1.4 學習人工智能需要哪些知識 ............. 5
1.5 為什么要學習數學 ......................... 7
1.6 本書包括的數學知識 ...................... 8
第 1 篇
基礎篇................................................................. 9
第 2 章 高等數學基礎 ................. １0
2.1 函數.......................................... 11
2.2 極限..........................................13
2.3 無窮小與無窮大...........................17
2.4 連續性與導數..............................19
2.5 偏導數...................................... 24
2.6 方向導數................................... 27
2.7 梯度......................................... 29
2.8 綜合實例—梯度下降法求函數的*小值.......................................31
2.9 高手點撥................................... 35
2.10 習題....................................... 38
第 3 章 微積分..............................39
3.1 微積分的基本思想 ....................... 40
3.2 微積分的解釋..............................41
3.3 定積分...................................... 42
3.4 定積分的性質............................. 44
3.5 牛頓—萊布尼茨公式.................... 45
3.6 綜合實例—Python 中常用的定積分求解方法................................... 49
3.7 高手點撥....................................51
3.8 習題 ........................................ 52
第 4 章 泰勒公式與拉格朗日乘子法..............................53
4.1 泰勒公式出發點.......................... 54
4.2 一點一世界................................ 54
4.3 階數和階乘的作用....................... 59
4.4 麥克勞林展開式的應用..................61
4.5 拉格朗日乘子法.......................... 63
4.6 求解拉格朗日乘子法.................... 64
4.7 綜合實例—編程模擬實現 sinx 的n 階泰勒多項式并驗證結果.................. 67
4.8 高手點撥 ................................... 68
4.9 習題 ......................................... 68
第2 篇
核心篇............................................................... 69
第 5 章 將研究對象形式化—線性代數基礎 ..........................70
5.1 向量..........................................71
5.2 矩陣......................................... 73
5.3 矩陣和向量的創建....................... 77
5.4 特殊的矩陣................................ 85
5.5 矩陣基本操作..............................91
5.6 轉置矩陣和逆矩陣....................... 96
5.7 行列式..................................... 101
5.8 矩陣的秩..................................104
5.9 內積與正交...............................108
5.10 綜合實例—線性代數在實際問題中的應用 ....................................... 114
5.11 高手點撥 ................................ 121
5.12 習題......................................126
第 6 章 從數據中提取重要信息—特征值與矩陣分解..........127
6.1 特征值與特征向量 .....................128
6.2 特征空間..................................133
6.3 特征值分解...............................133
6.4 SVD 解決的問題.......................135
6.5 奇異值分解（SVD）..................136
6.6 綜合實例 1—利用 SVD 對圖像進行壓縮 .......................................140
6.7 綜合實例 2—利用 SVD 推薦商品 .......................................143
6.8 高手點撥..................................150
6.9 習題 .......................................154
第 7 章 描述統計規律 1—概率論基礎................................155
7.1 隨機事件及其概率 ......................156
7.2 條件概率.................................. 161
7.3 獨立性.....................................162
7.4 隨機變量..................................165
7.5 二維隨機變量............................173
7.6 邊緣分布..................................177
7.7 綜合實例—概率的應用.............180
7.8 高手點撥.................................. 181
7.9 習題........................................184
第 8 章 描述統計規律 2—隨機變量與概率估計........................185
8.1 隨機變量的數字特征 ..................186
8.2 大數定律和中心極限定理.............193
8.3 數理統計基本概念......................199
8.4 *大似然估計........................... 203
8.5 *大后驗估計........................... 206
8.6 綜合實例 1—貝葉斯用戶滿意度預測 ...................................... 209
8.7 綜合實例 2—*大似然法求解模型參數 .......................................217
8.8 高手點撥 ................................ 222
8.9 習題 ....................................... 224
第 3 篇
提高篇............................................................. 225
第 9 章 隨機變量的幾種分布...... 226
9.1 正態分布 ................................ 227
9.2 二項分布................................. 240
9.3 泊松分布................................. 250
9.4 均勻分布..................................261
9.5 卡方分布................................. 266
9.6 Beta 分布 .............................. 273
9.7 綜合實例—估算棒球運動員的擊中率 ...................................... 283
9.8 高手點撥 ................................ 285
9.9 習題 ...................................... 286
第 10 章 數據的空間變換—核函數變換............................. 287
10.1 相關知識簡介 ......................... 288
10.2 核函數的引入 ......................... 290
10.3 核函數實例............................ 290
10.4 常用核函數.............................291
10.5 核函數的選擇......................... 294
10.6 SVM 原理 ............................ 295
10.7 非線性 SVM 與核函數的引入.... 305
10.8 綜合實例—利用 SVM 構建分類
問題......................................310
10.9 高手點撥................................315
10.10 習題 ................................... 322
第 11 章 熵與激活函數 .............. 323
11.1 熵和信息熵............................ 324
11.2 激活函數 ............................... 328
11.3 綜合案例—分類算法中信息熵的應用...................................... 339
11.4 高手點撥 ................................341
11.5 習題 ..................................... 342
第4 篇
應用篇............................................................. 333
第 12 章 假設檢驗 ..................... 344
12.1 假設檢驗的基本概念................. 345
12.2 Z 檢驗 ...................................351
12.3 t 檢驗 ................................... 353
12.4 卡方檢驗............................... 358
12.5 假設檢驗中的兩類錯誤 ..............361
12.6 綜合實例 1—體檢數據中的假設檢驗問題..................................... 363
12.7 綜合實例 2—種族對求職是否有影響..................................... 369
12.8 高手點撥............................... 372
12.9 習題..................................... 374
13 章 相關分析...................... 375
13.1 相關分析概述.......................... 376
13.2 皮爾森相關系數....................... 378
13.3 相關系數的計算與假設檢驗........ 379
13.4 斯皮爾曼等級相關.................... 385
13.5 肯德爾系數............................. 392
13.6 質量相關分析.......................... 396
13.7 品質相關分析.......................... 400
13.8 偏相關與復相關....................... 403
13.9 綜合實例—相關系數計算........ 405
13.10 高手點撥.............................. 407
13.11 習題..................................... 408
第 14 章 回歸分析......................409
14.1 回歸分析概述...........................410
14.2 回歸方程推導及應用..................412
14.3 回歸直線擬合優度.....................416
14.4 線性回歸的模型檢驗..................417
14.5 利用回歸直線進行估計和預測......419
14.6 多元與曲線回歸問題..................421
14.7 Python 工具包....................... 426
14.8 綜合實例—個人醫療保費預測任務...................................... 432
14.9 高手點撥................................ 444
14.10 習題..................................... 446
第 15 章 方差分析......................449
15.1 方差分析概述.......................... 448
15.2 方差的比較............................. 450
15.3 方差分析.................................451
15.4 綜合實例—連鎖餐飲用戶評級分析...................................... 460
15.5 高手點撥................................ 464
15.6 習題...................................... 466
第 16 章 聚類分析......................469
16.1 聚類分析概述.......................... 468
16.2 層次聚類................................ 470
16.3 K-Means 聚類...................... 484
16.4 DBSCAN 聚類....................... 494
16.5 綜合實例—聚類分析.............. 499
16.6 高手點撥.................................512
16.7 習題.......................................512
第 17 章 貝葉斯分析....................513
17.1 貝葉斯分析概述........................514
17.2 MCMC 概述.......................... 520
17.3 MCMC 采樣 ......................... 525
17.4 Gibbs 采樣........................... 529
17.5 綜合實例—利用 PyMC3 實現隨機模擬樣本分布......................... 532
17.6 高手點撥............................... 539
17.7 習題..................................... 540
1.1 什么是人工智能............................ 2
1.2 人工智能的發展 ............................ 2
1.3 人工智能的應用 ............................ 4
1.4 學習人工智能需要哪些知識 ............. 5
1.5 為什么要學習數學 ......................... 7
1.6 本書包括的數學知識 ...................... 8
第 1 篇
基礎篇................................................................. 9
第 2 章 高等數學基礎 ................. １0
2.1 函數.......................................... 11
2.2 極限..........................................13
2.3 無窮小與無窮大...........................17
2.4 連續性與導數..............................19
2.5 偏導數...................................... 24
2.6 方向導數................................... 27
2.7 梯度......................................... 29
2.8 綜合實例—梯度下降法求函數的*小值.......................................31
2.9 高手點撥................................... 35
2.10 習題....................................... 38
第 3 章 微積分..............................39
3.1 微積分的基本思想 ....................... 40
3.2 微積分的解釋..............................41
3.3 定積分...................................... 42
3.4 定積分的性質............................. 44
3.5 牛頓—萊布尼茨公式.................... 45
3.6 綜合實例—Python 中常用的定積分求解方法................................... 49
3.7 高手點撥....................................51
3.8 習題 ........................................ 52
第 4 章 泰勒公式與拉格朗日乘子法..............................53
4.1 泰勒公式出發點.......................... 54
4.2 一點一世界................................ 54
4.3 階數和階乘的作用....................... 59
4.4 麥克勞林展開式的應用..................61
4.5 拉格朗日乘子法.......................... 63
4.6 求解拉格朗日乘子法.................... 64
4.7 綜合實例—編程模擬實現 sinx 的n 階泰勒多項式并驗證結果.................. 67
4.8 高手點撥 ................................... 68
4.9 習題 ......................................... 68
第2 篇
核心篇............................................................... 69
第 5 章 將研究對象形式化—線性代數基礎 ..........................70
5.1 向量..........................................71
5.2 矩陣......................................... 73
5.3 矩陣和向量的創建....................... 77
5.4 特殊的矩陣................................ 85
5.5 矩陣基本操作..............................91
5.6 轉置矩陣和逆矩陣....................... 96
5.7 行列式..................................... 101
5.8 矩陣的秩..................................104
5.9 內積與正交...............................108
5.10 綜合實例—線性代數在實際問題中的應用 ....................................... 114
5.11 高手點撥 ................................ 121
5.12 習題......................................126
第 6 章 從數據中提取重要信息—特征值與矩陣分解..........127
6.1 特征值與特征向量 .....................128
6.2 特征空間..................................133
6.3 特征值分解...............................133
6.4 SVD 解決的問題.......................135
6.5 奇異值分解（SVD）..................136
6.6 綜合實例 1—利用 SVD 對圖像進行壓縮 .......................................140
6.7 綜合實例 2—利用 SVD 推薦商品 .......................................143
6.8 高手點撥..................................150
6.9 習題 .......................................154
第 7 章 描述統計規律 1—概率論基礎................................155
7.1 隨機事件及其概率 ......................156
7.2 條件概率.................................. 161
7.3 獨立性.....................................162
7.4 隨機變量..................................165
7.5 二維隨機變量............................173
7.6 邊緣分布..................................177
7.7 綜合實例—概率的應用.............180
7.8 高手點撥.................................. 181
7.9 習題........................................184
第 8 章 描述統計規律 2—隨機變量與概率估計........................185
8.1 隨機變量的數字特征 ..................186
8.2 大數定律和中心極限定理.............193
8.3 數理統計基本概念......................199
8.4 *大似然估計........................... 203
8.5 *大后驗估計........................... 206
8.6 綜合實例 1—貝葉斯用戶滿意度預測 ...................................... 209
8.7 綜合實例 2—*大似然法求解模型參數 .......................................217
8.8 高手點撥 ................................ 222
8.9 習題 ....................................... 224
第 3 篇
提高篇............................................................. 225
第 9 章 隨機變量的幾種分布...... 226
9.1 正態分布 ................................ 227
9.2 二項分布................................. 240
9.3 泊松分布................................. 250
9.4 均勻分布..................................261
9.5 卡方分布................................. 266
9.6 Beta 分布 .............................. 273
9.7 綜合實例—估算棒球運動員的擊中率 ...................................... 283
9.8 高手點撥 ................................ 285
9.9 習題 ...................................... 286
第 10 章 數據的空間變換—核函數變換............................. 287
10.1 相關知識簡介 ......................... 288
10.2 核函數的引入 ......................... 290
10.3 核函數實例............................ 290
10.4 常用核函數.............................291
10.5 核函數的選擇......................... 294
10.6 SVM 原理 ............................ 295
10.7 非線性 SVM 與核函數的引入.... 305
10.8 綜合實例—利用 SVM 構建分類
問題......................................310
10.9 高手點撥................................315
10.10 習題 ................................... 322
第 11 章 熵與激活函數 .............. 323
11.1 熵和信息熵............................ 324
11.2 激活函數 ............................... 328
11.3 綜合案例—分類算法中信息熵的應用...................................... 339
11.4 高手點撥 ................................341
11.5 習題 ..................................... 342
第4 篇
應用篇............................................................. 333
第 12 章 假設檢驗 ..................... 344
12.1 假設檢驗的基本概念................. 345
12.2 Z 檢驗 ...................................351
12.3 t 檢驗 ................................... 353
12.4 卡方檢驗............................... 358
12.5 假設檢驗中的兩類錯誤 ..............361
12.6 綜合實例 1—體檢數據中的假設檢驗問題..................................... 363
12.7 綜合實例 2—種族對求職是否有影響..................................... 369
12.8 高手點撥............................... 372
12.9 習題..................................... 374
13 章 相關分析...................... 375
13.1 相關分析概述.......................... 376
13.2 皮爾森相關系數....................... 378
13.3 相關系數的計算與假設檢驗........ 379
13.4 斯皮爾曼等級相關.................... 385
13.5 肯德爾系數............................. 392
13.6 質量相關分析.......................... 396
13.7 品質相關分析.......................... 400
13.8 偏相關與復相關....................... 403
13.9 綜合實例—相關系數計算........ 405
13.10 高手點撥.............................. 407
13.11 習題..................................... 408
第 14 章 回歸分析......................409
14.1 回歸分析概述...........................410
14.2 回歸方程推導及應用..................412
14.3 回歸直線擬合優度.....................416
14.4 線性回歸的模型檢驗..................417
14.5 利用回歸直線進行估計和預測......419
14.6 多元與曲線回歸問題..................421
14.7 Python 工具包....................... 426
14.8 綜合實例—個人醫療保費預測任務...................................... 432
14.9 高手點撥................................ 444
14.10 習題..................................... 446
第 15 章 方差分析......................449
15.1 方差分析概述.......................... 448
15.2 方差的比較............................. 450
15.3 方差分析.................................451
15.4 綜合實例—連鎖餐飲用戶評級分析...................................... 460
15.5 高手點撥................................ 464
15.6 習題...................................... 466
第 16 章 聚類分析......................469
16.1 聚類分析概述.......................... 468
16.2 層次聚類................................ 470
16.3 K-Means 聚類...................... 484
16.4 DBSCAN 聚類....................... 494
16.5 綜合實例—聚類分析.............. 499
16.6 高手點撥.................................512
16.7 習題.......................................512
第 17 章 貝葉斯分析....................513
17.1 貝葉斯分析概述........................514
17.2 MCMC 概述.......................... 520
17.3 MCMC 采樣 ......................... 525
17.4 Gibbs 采樣........................... 529
17.5 綜合實例—利用 PyMC3 實現隨機模擬樣本分布......................... 532
17.6 高手點撥............................... 539
17.7 習題..................................... 540
展開全部
無人工智能數學基礎 節選
1.1 什么是人工智能 人工智能（Artifificial Intelligence, AI）作為一門前沿交叉學科，是研究和開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人類的智能隨著人類的活動無處不在，如下棋、競技解題游戲、規劃路線和駕駛車輛，都需要人工智能，如果機器能夠執行這些任務，就可以認為機器具有了某種性質的人工智能。由此我們可以看出，人工智能是個很寬泛的話題。從手機上的計算器到無人駕駛汽車，再到未來可能改變世界的重大變革，人工智能可以描述很多東西。 日常生活中我們每天都能接觸到人工智能。互聯網中各種各樣的人工智能新聞隨處可見，人工智能已經從一個深藏于專業實驗室的科研產品，步入我們的社會生活中。人工智能帶來的變化已隨處可見。當你打開新聞網頁時，展示給你的那些文章是由人工智能為你定制的；當你上網購物時，打開首頁看到的是你*有可能感興趣的、*有可能購買的商品，這是推薦算法根據你*近的搜索記錄自動推薦的；當你打開郵箱時，系統已經為你過濾了你不關心的廣告和垃圾郵件。 2017 年，AlphaGo 以無可爭辯的能力戰勝了人類圍棋高手，名噪一時。人工智能在無人駕駛等領域也大顯身手，顯示出越來越強的能力。圖像識別、語音識別、指紋識別等技術給人們的生活帶來了極大的便利，人工智能改變了我們的生活方式。 1.2 人工智能的發展 人工智能的發展經歷了起起伏伏的曲折過程，讓我們來一起回顧人工智能的發展歷程。 1. 人工智能的誕生（20 世紀 40 ～ 50 年代） 早在 20 世紀四五十年代，數學家和計算機工程師已經開始探索用機器模擬人的智能。1950 年，被稱為“計算機之父”的艾倫 ?? 圖靈（Alan Turing）提出了一個舉世矚目的想法——圖靈測試。按照圖靈的設想，如果一臺機器能夠與人類開展對話而不被辨別出機器身份，那么這臺機器就具有智能，圖靈還大膽預言了真正具備智能機器的可行性。1955 年，馬文 ?? 閔斯基（Marvin Minsky）、約翰 ?? 麥卡錫（John McCarthy）、克勞德 ?? 香農（Claude Shannon）等人在美國的達特茅斯學院組織了一次討論會，**次正式提出了“人工智能”一詞，宣告人工智能作為一門學科的誕生，并且開始從學術角度對人工智能展開專業研究，確定人工智能的主要研究內容包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。該會議被人們看作人工智能正式誕生的標志，*早的一批人工智能學者和技術開始涌現。 2. 人工智能的**次浪潮（20 世紀 50 ～ 70 年代） 人工智能的誕生讓人們**次看到了智慧通過機器實現的可能，人工智能迎來了屬于它的** 次浪潮。在長達十余年的時間里，計算機被廣泛應用于數學和自然語言領域，用來解決代數、幾何和英語問題。這讓很多研究學者看到了機器向人工智能發展的可能。 雖然這個階段人工智能的成果層出不窮，但由于人們對人工智能研究的估計過于樂觀，以及科研人員在人工智能的研究中對項目難度預估不足，導致很多人工智能項目一直無法實現，人工智能 進入了**個痛苦、艱難的階段。 當時人工智能面臨的技術瓶頸主要有三個方面：一是計算機性能不足，導致很多程序無法在人 工智能領域得到應用；二是問題的復雜性，早期人工智能程序主要是解決對象少、復雜性低的特定的問題，一旦問題上升維度，程序立馬就不堪重負；三是數據量嚴重缺乏，在當時沒有足夠大的數據庫來支撐程序進行機器學習，這很容易導致機器無法讀取足夠的數據進行智能化。隨著公眾熱情的消退和投資的大幅削減，人工智能在 70 年代中期進入了**個冬天。 3. 人工智能的第二次浪潮（20 世紀 80 年代） 1980 年，卡內基 ?? 梅隆大學為數字設備公司設計了一套名為 XCON 的“專家系統”，DEC 公 司銷售 VAX 計算機時，XCON 可以基于規則根據顧客需求自動配置零部件。它采用人工智能程序，可以簡單地理解為“知識庫 + 推理機”的組合，是一套具有完整專業知識和經驗的計算機智能專家系統。這套系統在 1986 年之前每年能為公司節省超過四千美元經費。 專家系統的成功也逐步改變了人工智能發展的方向，科學家們開始專注于針對具體領域實際問 題的專家系統，這和當初建立通用的智能系統的初衷并不完全一致。與此同時，人工神經網絡的研究也取得了重要的進展，1986 年，大衛 ?? 魯梅爾哈特（David Rumelhart）、杰弗里 ?? 辛頓（Geoffffrey Hinton）和羅納德 ?? 威廉姆斯（Ronald Williams）聯合提出的“反向傳播算法”（BackPropagation），可以在神經網絡的隱藏層中學習對輸入數據的有效表達，反向傳播算法被廣泛用于神經網絡的訓練。 但到了 80 年代后期，產業界對專家系統的巨大投入和過高期望開始顯現出負面效果，人們發 現專家系統的開發與維護成本昂貴，而商業價值有限。僅僅維持了 7 年，這個曾經轟動一時的人工智能系統就宣告結束歷史進程。從此，專家系統風光不再，人工智能的發展再度步入冬天。 4. 人工智能的第三次浪潮（2011 年至今） 20 世紀 90 年代中期開始，隨著人工智能技術尤其是神經網絡技術的逐步發展，人們對人工智 能不再有不切實際的期待，人工智能技術開始進入平穩發展時期。2006 年，辛頓在神經網絡的深度學習領域取得突破，讓人類又一次看到機器趕超人類的希望，這也是標志性的技術進步。 進入 21 世紀后，互聯網的蓬勃發展帶來了全球范圍內電子數據的爆炸性增長，人類邁入了大 數據時代，與此同時計算機芯片的計算能力持續高速增長，當前一塊圖像處理器的計算能力已經突破了每秒 10 萬億次的浮點運算，超過了 2001 年全球*快的超級計算機，在數據和計算能力指數式增長的支持下，人工智能算法取得了重大突破。 以多層神經網絡為基礎的深度學習被推廣到多個應用領域，特別是語音識別、圖像分析、視頻 理解等諸多領域取得了成功，引爆了一場新的科技革命，谷歌、微軟、百度等互聯網巨頭，還有眾多的初創科技公司，紛紛加入人工智能產品的戰場，掀起了新一輪的智能化狂潮。 隨著新技術的日趨成熟和大眾的廣泛接受，世界各國的政府和商業機構都紛紛把人工智能列為 未來發展戰略的重要部分，由此，人工智能的發展迎來了第三次熱潮。目前人工智能領域引發了全社會的關注和重視，新的科技創新在不斷涌現。 1.3 人工智能的應用 人工智能可以分為弱人工智能和強人工智能兩大類。強人工智能是指具有人類的心智和意識、 具有自主的選擇行為，且擁有超越人類智慧水平的人工智能。強人工智能目前離我們還很遙遠，是人工智能領域的長遠目標。 弱人工智能是指擅長某個方面的人工智能，能夠幫助人類從某些腦力勞動中解放出來。比如能 戰勝象棋世界冠軍的人工智能、手機中的騷擾電話自動攔截、郵箱的自動過濾，都屬于弱人工智能。 目前對于人工智能的研究和開發主要集中在弱人工智能領域，弱人工智能已經成為我們日常生活必不可少的一部分。下面列出一些常見的弱人工智能的應用。 （1）圖像識別。圖像識別是指計算機從圖像中識別出物體、場景和活動。圖像識別有著廣泛的應用，包括醫療領域的成像分析、人臉識別、公共安全、安防監控、無人駕駛等。 （2）語音識別。語音識別是把語音轉化為文字，并對其進行識別、認知和處理。語音識別的主要應用包括電話客服、自動翻譯、醫療領域聽寫、語音書寫、計算機系統聲控等。 （3）虛擬個人助理。虛擬個人助理是指智能手機上的語音助理、語音輸入、家庭管家和陪護機器人等。如微軟小冰、百度度秘、科大訊飛、Amazon Echo、Google Home 等。 （4）自然語言處理。自然語言處理幫助實現人機之間自然語言的通信，在機器翻譯、語音識別中都有相應的應用。 （5）智能機器人。智能機器人目前在生活中隨處可見，如掃地機器人、陪伴機器人……這些機器人不管是跟人語音聊天，還是自主定位導航行走、安防監控等，都離不開人工智能技術的支持。 （6）電商網站的產品推薦和社交網站的好友推薦。如淘寶、京東等商城，會根據用戶瀏覽過的商品和頁面、搜索過的關鍵字，推送一些相關的產品或網站內容，以及媒體平臺根據日常瀏覽記 錄推送用戶喜歡看的信息等。 除此之外，軍事、制造、金融、醫療等很多領域都廣泛應用了各種各樣的人工智能技術。
無人工智能數學基礎 作者簡介
唐宇迪，計算機專業博士，網易云課堂人工智能認證行家，51CTO學院講師，CSDN博客專家。 李琳，河南工業大學副教授，在軟件工程、機器學習、人工智能和模式識別等領域有深入研究。 侯惠芳，教授，解放軍信息工程大學通信與信息系統專業博士，擅長機器學習、大數據檢索、人工智能和模式識別等。 王社偉，河南工業大學副教授，西北工業大學航空宇航制造專業博士，挪威科技大學訪問學者，對數字化制造、企業管理系統、機器學習、數據挖掘等有豐富的實戰經驗。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
姑媽的寶刀
- >
伊索寓言-世界文學名著典藏-全譯本
- >
煙與鏡
- >
有舍有得是人生
- >
唐代進士錄
- >
我從未如此眷戀人間
- >
中國歷史的瞬間
本類暢銷
