第 1章 人工智能概述 1

1.1　鯤鵬&?N騰生態(tài)概述　2

1.1.1　鯤鵬生態(tài)概述　2

1.1.2　芯片產業(yè)概述　3

1.1.3　?N騰系列芯片概述　4

1.2　人工智能概述　7

1.2.1　人工智能技術的發(fā)展　7

1.2.2　人工智能技術的主要領域　9

1.2.3　人工智能技術的價值　11

1.2.4　人工智能平臺Atlas　13

1.3　百花齊放的AI時代　14

1.4　本章小結　16

第　2章 機器學習　17

2.1　機器學習概述　18

2.1.1　機器學習介紹　18

2.1.2　機器學習主要流派　18

2.1.3　機器學習、數據挖掘、人工智能的區(qū)別　21

2.2　機器學習分類　24

2.2.1　監(jiān)督學習　24

2.2.2　非監(jiān)督學習　24

2.2.3　半監(jiān)督學習　25

2.2.4　強化學習　25

2.3　機器學習流程及重要方法　26

2.3.1　機器學習流程　26

2.3.2　常見的統計方法介紹　28

2.3.3　數據降維　31

2.3.4　特征工程　34

2.3.5　機器學習效果評測　35

2.3.6　可視化分析　38

2.4　機器學習常見算法　42

2.4.1　線性回歸　42

2.4.2　多項式回歸　50

2.4.3　邏輯回歸　51

2.4.4　梯度下降算法　54

2.4.5　決策樹　60

2.4.6　支持向量機　63

2.4.7　KNN　65

2.4.8　樸素貝葉斯　68

2.4.9　集成學習　72

2.4.10　聚類算法　77

2.5　本章小結　83

第3章　深度學習　85

3.1　深度學習概述　86

3.2　神經網絡　87

3.2.1　前饋神經網絡　87

3.2.2　反饋神經網絡　89

3.2.3　神經網絡相關概念　91

3.3　卷積神經網絡　96

3.4　循環(huán)神經網絡　100

3.5　LSTM　103

3.5.1　RNN中包含單個層重復模塊　104

3.5.2　LSTM重復模塊包含4個交互層　104

3.5.3　LSTM背后的核心理念　105

3.5.4　LSTM分步執(zhí)行　105

3.6　神經網絡優(yōu)化　107

3.7　強化學習　113

3.7.1　獎勵驅動行為思想　113

3.7.2　強化學習的基本框架　114

3.7.3　強化學習算法　114

3.8　本章小結　116

第4章　TensorFlow機器學習框架　117

4.1　TensorFlow 2.x安裝　118

4.2　TensorFlow 1.x 與TensorFlow 2.x的差別　120

4.3　TensorFlow基礎語法　121

4.3.1　TensorFlow基礎概念　121

4.3.2　第 一個TensorFlow實例　139

4.3.3　TensorFlow2.0 Eager Execution模式　147

4.3.4　TensorFlow常用模塊介紹　148

4.3.5　TensorFlow模型應用　155

4.4　TensorFlow實操案例　159

4.4.1　TensorFlow實現線性回歸案例　159

4.4.2　TensorFlow實現k-means算法案例　161

4.4.3　TensorFlow mnist 數據集手寫體識別案例　164

4.4.4　TensorFlow 實現簡單神經網絡　165

4.4.5　TensorFlow實現貓狗識別案例　166

4.4.6　TensorFlow實現RNN空氣污染案例　169

4.5　本章小結　173

第5章　MindSpore開發(fā)框架　175

5.1　MindSpore概述　176

5.2　MindSpore基礎應用　176

5.2.1　加載數據集　176

5.2.2　定義網絡　179

5.2.3　保存模型　181

5.3　MindSpore案例　184

5.3.1　使用MindSpore實現深度神經網絡　184

5.3.2　使用MindSpore實現LSTM的文本預測　188

5.4　本章小結　197

第6章　Atlas人工智能計算平臺　199

6.1　AI芯片概述　200

6.2　?N騰芯片硬件架構　200

6.2.1　?N騰AI處理器總覽　200

6.2.2　達芬奇架構　202

6.3　?N騰芯片軟件架構　203

6.4　Atlas人工智能計算平臺　206

6.4.1　基本介紹　206

6.4.2　Atlas產品代表　207

6.5　Atlas的行業(yè)應用　208

6.5.1　華為Atlas構建輸電設備物聯網　208

6.5.2　人工智能落地應用按下加速鍵　210

6.5.3　助力開發(fā)者　211

6.5.4　促進醫(yī)療行業(yè)　211

6.5.5　優(yōu)化城市交通　211

6.5.6　推動AI行業(yè)發(fā)展　212

6.6　本章小結　212

第7章　ModelArts應用維護　213

7.1　ModelArts人工智能應用開發(fā)平臺概述　214

7.2　數據準備　214

7.2.1　數據采集　215

7.2.2　數據接入　215

7.2.3　數據處理　216

7.2.4　數據標注　224

7.2.5　數據分析和優(yōu)化　230

7.3　算法選擇與開發(fā)　233

7.3.1　基礎層算法選擇　233

7.3.2　應用層算法選擇　238

7.3.3　ModelArts預置算法選擇　243

7.3.4　算法開發(fā)　244

7.3.5　ModelArts云上云下協同開發(fā)　250

7.4　模型訓練　251

7.4.1　模型訓練的基本過程　251

7.4.2　基于ModelArts的模型訓練　256

7.4.3　端到端訓練加速　261

7.4.4　自動搜索　274

7.5　模型評估與調優(yōu)　279

7.5.1　模型評估　280

7.5.2　精度診斷優(yōu)化　292

7.6　應用生成與發(fā)布　298

7.6.1　應用管理　298

7.6.2　應用部署和發(fā)布　306

7.7　應用維護　313

7.7.1　數據采集和篩選　315

7.7.2　應用迭代　318

7.7.3　基于ModelArts的應用維護　319

7.8　案例：智慧工地安全帽識別　324

7.9　本章小結　327

第8章　人工智能應用開發(fā)流程　333

8.1　人工智能應用開發(fā)流程解析　334

8.1.1　數據準備子流程　336

8.1.2　算法選擇和開發(fā)子流程　337

8.1.3　模型訓練子流程　338

8.1.4　模型評估和調優(yōu)子流程　339

8.1.5　應用生成、評估和發(fā)布子流程　340

8.1.6　應用維護子流程　340

8.2　人工智能應用開發(fā)流程的權衡　341

8.2.1　復雜和簡單的取舍　341

8.2.2　人與機器的平衡　342

8.2.3　開發(fā)和運行的融合　342

8.3　人工智能應用開發(fā)全流程的成本分析　343

8.3.1　設計和開發(fā)成本　343

8.3.2　部署和維護成本　344

8.3.3　邊際成本　344

8.4　本章小結　345

第9章　人工智能應用開發(fā)場景實戰(zhàn)　347

9.1　基于ModelArts JupyterLab在線調優(yōu)鋼筋檢測　348

9.1.1　環(huán)境準備　348

9.1.2　下載代碼和數據集　352

9.1.3　加載需要的Python模塊　353

9.1.4　查看訓練數據樣例　354

9.1.5　顯示原圖和標注框　354

9.1.6　定義訓練超參、模型、日志保存路徑　357

9.1.7　構建模型，定義優(yōu)化器及損失函數　358

9.1.8　定義自適應學習率函數　358

9.1.9　定義訓練函數　358

9.1.10　開始訓練模型　360

9.1.11　定義目標檢測類　360

9.1.12　定義推理網絡，并加載前面訓練的loss的模型　361

9.1.13　測試圖片，輸出每條鋼筋的位置和圖片中鋼筋總條數　362

9.2　電影推薦系統構建　364

9.3　基于RFM模型的航空公司客戶價值分析案例　367

9.3.1　背景與挖掘目標　367

9.3.2　分析方法與過程　367

9.4　本章小結　383