人工智能全书:一本书读懂AI基础知识、商业应用与技术发展

第 1章 基础篇人工智能的世界…… 1
1．1　人工智能是什么 …… 2
人工智能的诞生和历史 …… 2
人工智能到底是什么 …… 2
模型与目标变量、特征变量 …… 3
对人工智能的幻想 …… 4
1．2　人工智能的价值 …… 5
为什么使用人工智能可以实现自动驾驶汽车 …… 5
各国企业对人工智能的态度和期望 …… 6
人工智能做得到的事情 …… 7
对未知数据进行预测和人工智能的价值 …… 8
1．3　人工智能会抢了人的工作吗 …… 8
人工智能做不到的事情 …… 8
人工智能无法代替的3 种工作 …… 9
人类会因为人工智能失业吗 …… 10
人与人工智能的协作度 …… 10
1．4　人工智能如何改变世界 …… 12
重新定义所有行业 …… 12
为人工智能所渗透的世界 …… 12
企业应当怎么做 …… 13
人应当怎么做 …… 13
第 2章 商业篇各行各业的人工智能应用和未来展望…… 15
2．1　制造业的人工智能应用和展望（产品开发篇） …… 16
智能产品 …… 16
产品的计算机化 …… 16
产品的操作系统 …… 17
2．2　制造业的人工智能应用和展望（生产管理篇） …… 18
利用人工智能缩减经费 …… 18
不使用人工智能的选项 …… 18
使用人工智能稳定产品品质 …… 19
预测性维护 …… 19
异常检测与安全生产 …… 20
生产计划 …… 20
2．3　汽车行业的人工智能应用和展望 …… 21
汽车的生产现场 …… 21
自动驾驶级别的定义 …… 22
自动驾驶汽车的开发动向 …… 23
自动驾驶平台 …… 24
汽车导航系统 …… 25
2．4　农业、渔业、畜牧业的人工智能应用和展望 …… 26
人工智能与植物工厂 …… 27
比较栽培与*优化 …… 28
人工智能与渔业 …… 29
使用人工智能的新畜牧业形态 …… 30
2．5　医疗行业的人工智能应用和展望 …… 30
通过人工智能诊断 …… 31
通过图像识别诊断 …… 31
在医疗领域应用人工智能的注意事项 …… 32
数据共享的问题 …… 33
解析脑电波的可行性 …… 33
人机接口 …… 35
AI 新药研发 …… 35
细胞培养 …… 36
2．6　建筑行业的人工智能应用和展望 …… 37
工程和建设用车辆 …… 37
智慧家庭 …… 38
2．7　金融行业的人工智能应用和展望 …… 39
通过人工智能进行资产运用 …… 39
通过人工智能提高银行的业务效率 …… 40
2．8　零售行业的人工智能应用和展望 …… 40
Amazon Go 与超市的未来 …… 40
便利店与人工智能 …… 42
应用聊天机器人 …… 44
应用人工智能进行需求预测 …… 45
推荐 …… 46
第3章 商业篇各国针对人工智能应用的政策…… 49
3．1　能源与智能电网 …… 50
智能电网 …… 50
智能电网和人工智能 …… 50
3．2　智慧城市 …… 51
智慧城市 …… 51
新加坡的智慧国家计划 …… 51
使用人工智能制定城市发展计划 …… 52
超越智慧城市 …… 54
3．3　数据流通的现状和问题 …… 54
数据流通的必要性 …… 54
日本公共机构的公开数据推进 …… 55
日本以外国家的公开数据推进 …… 57
与公开数据有关的问题 …… 58
促进民间的数据流通 …… 58
信息银行 …… 58
促进民间数据流通存在的问题 …… 60
第4章 商业篇人工智能项目的推进方法和注意点…… 61
4．1　人工智能项目的策划 …… 62
目标的设定和共有价值的创造 …… 62
创新者的窘境 …… 63
人工智能和知识产权 …… 63
4．2　数据的收集和管理 …… 64
为进行人工智能的应用需收集的3 种数据 …… 64
内部数据的收集和管理 …… 64
传感数据的收集和管理 …… 64
外部数据的收集和管理 …… 65
4．3　人才不足问题的解决方法 …… 66
日本工程师不足的现状 …… 66
人工智能教育的必要性 …… 67
初期的项目组织架构 …… 67
借助外部力量 …… 68
寻找合作伙伴的方法 …… 68
第5章 技术篇机器学习——人工智能进化史…… 69
5．1　学习人工智能之前必须掌握的知识 …… 70
特征变量、目标变量和模型 …… 70
绝对值 …… 71
导数 …… 72
相关关系和相关系数 …… 73
数据间的因果关系和伪相关关系 …… 74
矩阵的内积 …… 74
概率 …… 75
5．2　人工智能的历史 …… 76
学习人工智能历史的意义 …… 76
早期的演绎推理人工智能 …… 76
现在的归纳推理人工智能 …… 77
归纳推理的局限 …… 78
发现信息的现在的人工智能 …… 79
计算机视觉 …… 79
5．3　机器学习能做到的事 …… 80
回归分析（简单回归分析） …… 80
回归分析（多重回归分析） …… 82
分类 …… 83
聚类 …… 84
5．4　数据集分析实例 …… 86
数据集分析 …… 86
鸢尾花数据集 …… 86
葡萄酒品质数据集 …… 90
波士顿房价数据集 …… 91
手写数字数据集 …… 93
Cifar-10（用于图像识别练习的数据集） …… 95
使用20 Newsgroups 进行文本数据分析 …… 96
5．5　学习 …… 99
学习的意义 …… 99
机器学习 …… 99
学习数据和监督学习 …… 99
无监督学习 …… 100
强化学习 …… 100
学习方法的选择 …… 100
5．6　机器学习的算法 …… 101
决策树 …… 101
SVM …… 102
遗传算法 …… 104
K 均值算法 …… 106
第6章 技术篇深度学习——现在的人工智能…… 109
6．1　神经网络 …… 110
神经网络的诞生 …… 110
大脑中信息传递的工作原理 …… 111
大脑的学习 …… 113
逻辑电路 …… 114
神经网络的结构 …… 115
基于感知机的计算处理 …… 116
激活函数 …… 118
输出函数 …… 122
前向传播小结 …… 123
6．2　误差反向传播算法 …… 124
学习的原理 …… 124
损失函数 …… 125
使用偏导数计算影响程度 …… 126
偏导数的具体例子 …… 127
优化算法（SGD） …… 129
其他优化算法 …… 131
小批量学习 …… 132
反向传播和学习的小结 …… 132
6．3　深度学习 …… 134
特征提取 …… 134
深度学习的优点 …… 134
人工智能的视角 …… 135
深层导致的各种问题 …… 135
实现深度学习的方法 …… 136
Dropout …… 137
自动编码器 …… 137
6．4　卷积神经网络 …… 139
图像识别和抽象化 …… 139
卷积神经网络的实例（AlexNet） …… 140
卷积神经网络概要 …… 141
卷积层的目标 …… 141
卷积层中的过滤器和权重计算 …… 142
对过滤器反应的特征的可视化 …… 143
在卷积层实施填充 …… 144
卷积层的激活 …… 145
池化层的处理 …… 145
平坦化的实施 …… 146
全连接层的处理 …… 148
使用卷积神经网络的分析示例 …… 148
第7章 技术篇人工智能的开发和运用管理…… 155
7．1　人工智能的设计 …… 156
机器学习算法的选择 …… 156
目标值的设置 …… 156
目标值和开发成本 …… 157
学习的实施计划 …… 158
保存学习后的模型 …… 158
7．2　人工智能的运用监视 …… 159
回归分析中精度的监视 …… 159
分类中精度的监视 …… 160
交叉验证 …… 162
过拟合 …… 163
分辨过拟合 …… 164
应对过拟合 …… 164
7．3　Python 语言 …… 165
使用Python 的理由 …… 165
Python 的版本 …… 166
Python 的开发环境 …… 167
7．4　数据分析所需的Python 包 …… 168
包管理 …… 168
Jupyter Notebook …… 168
Matplotlib …… 169
NumPy …… 170
pandas …… 170
SciPy …… 171
7．5　人工智能相关库 …… 171
TensorFlow …… 172
Chainer …… 172
PyTorch …… 172
Keras …… 173
scikit-learn …… 173
DEAP …… 174
OpenAI Gym …… 174
7．6　运行人工智能的平台 …… 175
人工智能学习的环境 …… 175
人工智能预测的环境 …… 176
Amazon Web Service …… 177
Google Cloud Platform …… 177
Microsoft Azure …… 178
IBM Cloud …… 179
SAKURA Cloud …… 179
Neural Network Console …… 179
Google Colaboratory …… 180
7．7　硬件和平台 …… 182
人工智能和CPU 的关系 …… 182
人工智能和GPU 的关系 …… 182
CUDA …… 183
ASIC 和TPU …… 184
面向边缘计算的板卡 …… 185
第8章 技术篇人工智能的*新技术——今后的人工智能…… 187
8．1　循环神经网络 …… 188
循环神经网络的特点 …… 188
循环神经网络中的计算 …… 188
使用循环神经网络的分析示例 …… 190
LSTM …… 192
将来的循环神经网络 …… 193
8．2　强化学习的历史和DQN …… 194
马尔可夫决策过程 …… 194
Q 学习 …… 195
DQN …… 196
DQN 中卷积神经网络的应用 …… 197
8．3　AlphaGo 和AlphaGo Zero …… 197
为什么AlphaGo 这么厉害 …… 198
AlphaGo 的算法和技术 …… 199
策略网络 …… 199
创建SL 策略网络 …… 200
移出策略模型 …… 202
AlphaGo 强化学习的目标 …… 202
利用策略梯度算法生成RL 策略网络 …… 203
价值网络 …… 203
蒙特卡洛树搜索 …… 205
AlphaGo Zero 的冲击 …… 206
8．4　A3C …… 207
Asynchronous …… 207
Advantage …… 207
Actor-Critic …… 208
A3C 的成果 …… 208
8．5　GANs …… 209
GANs 的历史 …… 209
GANs 的原理 …… 209
DCGAN …… 210
使用DCGAN 的分析示例 …… 211
将来的GANs …… 212
8．6　BERT …… 213
BERT 的目标 …… 214
BERT 的学习 …… 214
灵活使用已学习模型 …… 214
8．7　灵活使用社交数据 …… 215
8．8　胶囊网络 …… 215
卷积神经网络的弱点 …… 215
胶囊网络的目标 …… 217
胶囊网络的结构 …… 217
动态路由 …… 218
将来的胶囊网络 …… 218
第9章 人工智能开发常见问题…… 221
9．1　关于人工智能的一般问题 …… 222
Q．1　人工智能聪明吗？ …… 222
Q．2　人工智能会出错吗？ …… 222
Q．3　人工智能擅长的事情是什么？ …… 223
Q．4　人工智能不擅长的事情是什么？ …… 223
Q．5　什么是奇点？ …… 223
Q．6　达到奇点后，人工智能会变得比人聪明并控制人类吗？ …… 224
Q．7　人工智能会像人一样思考吗？ …… 224
Q．8　可以让人工智能产生感情吗？ …… 224
9．2　令人担忧的人工智能问题 …… 225
Q．9　人工智能有可能被用于军事吗？ …… 225
Q．10　能通过人工智能实现机器人武器吗？ …… 225
Q．11　搭载人工智能的武器有可能伤害人类吗？ …… 226
Q．12　人工智能有可能防范犯罪吗？ …… 226
Q．13　人工智能有可能进行网络攻击吗？ …… 226
Q．14　为了防范网络攻击可以使用人工智能吗？ …… 227
Q．15　人工智能有可能被破解吗？ …… 227
9．3　在企业应用人工智能的问题 …… 228
Q．16　所有企业都应该使用人工智能吗？ …… 228
Q．17　人工智能会促使更多企业进入其他行业吗？ …… 228
Q．18　人工智能的开发费用会变高昂吗？ …… 229
Q．19　有没有根据人工智能的开发费用来估算开发成本的方法？ …… 229
Q．20　人工智能的技术人才供给不足吗？ …… 229
Q．21　如何寻找帮助开发人工智能的技术人才？ …… 230
Q．22　如何与能进行人工智能开发的技术人才取得联系呢？ …… 231
Q．23　各国政府推荐人工智能的使用吗？ …… 231
Q．24　日本的地方政府推荐利用人工智能吗？ …… 231
9．4　与生活有关的问题 …… 232
Q．25　人工智能会使我们的生活有什么变化？ …… 232
Q．26　不懂人工智能的话还有办法生活吗？ …… 232
9．5　关于人工智能人才的培养和教育的问题 …… 232
Q．27　什么样的人在开发人工智能？ …… 232
Q．28　今后的年轻一代需要掌握关于人工智能的知识吗？ …… 233
Q．29　在学校里人工智能是必修科目吗？ …… 233
Q．30　要想开发人工智能，应该学习什么呢？ …… 234
Q．31　即使不擅长数学也能理解人工智能吗？ …… 234
Q．32　学习人工智能首先应该做什么？ …… 234
Q．33　有效学习人工智能的方法是什么？ …… 235
9．6　关于人工智能的未来的问题 …… 236
Q．34　今后人工智能还会进化吗？ …… 236
Q．35　人工智能会变得有想象力吗？ …… 236
Q．36　我们人类应该如何和人工智能交往呢？ …… 237
后记 …… 239