認識 AI：人工智能如何賦能商業, 2/e (Artificial Intelligence for Business, 2/e)

本書分為四個部分。
第1部分簡單概述人工智能。
第2部分對概述進行擴展，並加深讀者對機器學習的理解。
第3部分涉及神經網絡，即計算機通過使用相互連接的多層人工神經元層來模擬人腦的結構和功能。
第4部分介紹一些使用人工智能輔助商業的常用工具。

Doug Rose

有超過25年為各種組織提供技術、培訓和流程優化變革的經驗。
他是美國項目管理協會（PMI）關於敏捷框架的本主要出版物Leading Agile Teams的作者，
還是Data Science: Create Teams That Ask the Right Questions and Deliver Real Value和Enterprise Agility for Dummies兩本書的作者。
Doug擁有雪城大學信息管理學碩士學位、法學學位和威斯康星大學麥迪遜分校的文學學士學位。
他還是規模化敏捷框架項目顧問（SPC）、認證技術培訓師（CTT ）、Scrum認證專家（CSP-SM）、
認證Scrum Master（CSM）、PMI敏捷管理專業人士（PMI-ACP）、
項目管理專業人士資格認證（PMP）和Apache Hadoop認證開發人員（CCDH）。
你可以通過LinkedIn Learning來學習Doug在芝加哥大學或網上的生動有趣的商業和項目管理課程。
Doug在Doug Enterprises工作，在他居住過的所有城市都有Doug Enterprises的辦公室。
目前他在佐治亞州的亞特蘭大市暫住，他喜歡的休閒方式是騎一輛固定的臥式自行車或者向兒子解釋漫威宇宙。

譯者序
序
前言
致謝
部分　思考的機器：人工智能概述
第1章　什麼是人工智能 2
1.1　什麼是智能 3
1.2　測試機器的智能 5
1.3　解決問題的一般方法 7
1.4　強人工智能與弱人工智能 10
1.5　人工智能規劃 12
1.6　學習勝過記憶 14
1.7　本章小結 16
第2章　機器學習的興起 18
2.1　機器學習的實際應用 21
2.2　人工神經網絡 23
2.3　感知機的興衰 26
2.4　大數據時代來臨 29
2.5　本章小結 32
第3章　聚焦方法 33
3.1　專家系統與機器學習 33
3.2　監督學習與無監督學習 35
3.3　誤差反向傳播 37
3.4　回歸分析 39
3.5　本章小結 41
第4章　通用人工智能應用 42
4.1　智能機器人 43
4.2　自然語言處理 45
4.3　物聯網 47
4.4　本章小結 48
第5章　讓大數據插上人工智能的翅膀 50
5.1　理解大數據的基本概念 51
5.2　與數據科學家合作 52
5.3　機器學習與數據挖掘的區別 52
5.4　從數據挖掘到機器學習的飛躍 53
5.5　採用正確的方法 54
5.6　本章小結 56
第6章　權衡你的選擇 58
第二部分　機器學習
第7章　什麼是機器學習 64
7.1　機器怎麼學習 68
7.2　處理數據 70
7.3　應用機器學習技術 73
7.4　學習的類型介紹 75
7.5　本章小結 78
第8章　機器學習的範式 79
8.1　監督機器學習 79
8.2　無監督機器學習 82
8.3　半監督機器學習 84
8.4　強化學習 86
8.5　本章小結 88
第9章　主流機器學習算法 89
9.1　決策樹 93
9.2　k近鄰算法 95
9.3　k均值聚類 98
9.4　回歸分析 101
9.5　樸素貝葉斯 103
9.6　本章小結 106
第10章　機器學習算法應用 107
10.1　利用算法模型擬合數據 110
10.2　選擇算法 112
10.3　集成建模 112
10.4　決定機器學習範式 115
10.5　本章小結 115
第11章　幾個建議 117
11.1　開始提問 117
11.2　不要混用訓練數據和測試數據 119
11.3　不要誇大模型的精度 119
11.4　了解你的算法 120
11.5　本章小結 120
第三部分　人工神經網絡
第12章　什麼是人工神經網絡 124
12.1　為什麼與大腦類比 126
12.2　只是另外一個驚人的算法 126
12.3　了解感知機 128
12.4　採用sigmoid神經元 131
12.5　添加偏置項 133
12.6　本章小結 134
第13章　人工神經網絡實戰 136
13.1　將數據輸入神經網絡 136
13.2　隱藏層到底發生了什麼 138
13.3　理解激活函數 141
13.4　添加權重 144
13.5　添加偏置項 145
13.6　本章小結 146
第14章　讓神經網絡開始學習 147
14.1　從隨機權重和隨機偏置項開始 148
14.2　讓神經網絡為錯誤買單：損失函數 149
14.3　結合損失函數和梯度下降法 150
14.4　利用反向傳播糾正誤差 152
14.5　調優神經網絡 156
14.6　使用鍊式法則 156
14.7　利用隨機梯度下降法對訓練集批處理 158
14.8　本章小結 159
第15章　利用神經網絡進行聚類和分類 160
15.1　求解分類問題 161
15.2　求解聚類問題 163
15.3　本章小結 165
第16章　關鍵挑戰 166
16.1　獲取足夠多的高質量數據 166
16.2　隔離訓練數據與測試數據 168
16.3　謹慎選擇你的訓練數據集 168
16.4　採取探索性的方法 169
16.5　選擇正確的工具解決問題 169
16.6　本章小結 169
第四部分　人工智能實踐
第17章　利用自然語言處理的威力 172
17.1　利用自然語言理解技術從文本和語音中提取線索 174
17.2　利用自然語言生成技術提供合理的反饋 175
17.3　客戶服務的自動化 177
17.4　梳理主流的自然語言處理工具和資源 179
17.4.1　自然語言理解工具 180
17.4.2　自然語言生成工具 181
17.5　本章小結 183
第18章　客戶互動自動化 184
18.1　選擇自然語言技術 186
18.2　梳理構建聊天機器人及虛擬代理的主流工具 187
18.3　本章小結 189
第19章　提升基於數據的決策 190
19.1　在自動化決策和基於直覺的決策中做出選擇 192
19.2　從物聯網設備實時收集數據 193
19.3　梳理自動化決策工具 194
19.4　本章小結 196
第20章　利用機器學習預測事件及結果 197
20.1　機器學習是關於數據標記的技術 198
20.2　看看機器學習能夠做什麼 200
20.2.1　預測客戶會購買什麼 200
20.2.2　在被問之前回答問題 200
20.2.3　讓決策更好更快 202
20.2.4　在商業中復制專業知識 203
20.3　利用你的能力做好事而不是作惡：機器學習倫理 204
20.4　梳理主流的機器學習工具 206
20.5　本章小結 208
第21章　構建人工智能係統 210
21.1　區分智能化和自動化 212
21.2　在深度學習中增加層 213
21.3　人工神經網絡應用 214
21.3.1　將優質客戶分類 215
21.3.2　商店佈局推薦 216
21.3.3　分析及跟踪生物特徵 217
21.4　梳理主流深度學習工具 218
21.5　本章小結 220