人工智能工程化：應(yīng)用落地與中臺構(gòu)建

第一部分 認(rèn)識人工智能及其常見算法
第1章 認(rèn)識人工智能 2
1．1 人工智能的基本概念 2
1．2 人工智能的常見流派 4
1．3 深度學(xué)習(xí)的不同種類 8
1．3．1 監(jiān)督學(xué)習(xí) 8
1．3．2 無監(jiān)督學(xué)習(xí) 9
1．3．3 強(qiáng)化學(xué)習(xí) 10
1．4 人工智能的數(shù)學(xué)基礎(chǔ) 12
1．4．1 線性代數(shù)：如何將研究對象形式化 12
1．4．2 概率論：如何描述統(tǒng)計(jì)規(guī)律 13
1．4．3 數(shù)理統(tǒng)計(jì)：如何以小見大 14
1．4．4 最優(yōu)化理論：如何找到最優(yōu)解 15
1．4．5 信息論：如何定量度量不確定性 16
1．4．6 形式邏輯：如何實(shí)現(xiàn)抽象推理 18
1．5 人工智能的應(yīng)用場景 19
第2章 人工智能的常見算法 24
2．1 線性回歸 25
2．2 決策樹 27
2．3 支持向量機(jī) 32
2．4 K近鄰算法 35
2．5 人工神經(jīng)網(wǎng)絡(luò) 36
2．6 神經(jīng)網(wǎng)絡(luò)中的梯度下降 39
2．7 卷積神經(jīng)網(wǎng)絡(luò) 41
第二部分 人工智能應(yīng)用落地
第3章 人工智能與智能制造 50
3．1 人工智能與AIOps 50
3．1．1 業(yè)務(wù)場景 50
3．1．2 工程化實(shí)踐 53
3．2 人工智能與物流 57
3．2．1 業(yè)務(wù)場景 57
3．2．2 工程化實(shí)踐 61
3．3 人工智能與智能駕駛 65
3．3．1 業(yè)務(wù)場景 65
3．3．2 工程化實(shí)踐 67
3．4 人工智能與焊點(diǎn)檢測 69
3．4．1 業(yè)務(wù)場景 69
3．4．2 工程化實(shí)踐 72
第4章 人工智能與智能設(shè)計(jì) 75
4．1 人工智能與廣告圖 75
4．1．1 業(yè)務(wù)場景 75
4．1．2 工程化實(shí)踐 78
4．2 人工智能與保險(xiǎn)文本設(shè)計(jì) 93
4．2．1 業(yè)務(wù)場景 94
4．2．2 工程化實(shí)踐 94
第三部分 人工智能中臺構(gòu)建
第5章 人工智能中臺化戰(zhàn)略 102
5．1 企業(yè)架構(gòu)中的大中臺戰(zhàn)略 102
5．2 人工智能中臺與數(shù)據(jù)中臺 106
5．3 人工智能中臺使人工智能更具使能 110
5．4 中小型企業(yè)人工智能中臺化架構(gòu) 112
第6章 人工智能中臺工程化：數(shù)據(jù)能力 120
6．1 數(shù)據(jù)標(biāo)注的平臺能力 120
6．2 數(shù)據(jù)標(biāo)注的工程化方案 127
6．2．1 標(biāo)注工具 127
6．2．2 工程化技術(shù) 129
第7章 人工智能中臺工程化：硬件能力 144
7．1 GPU資源調(diào)度平臺 144
7．1．1 GPU虛擬化：顯卡直通 145
7．1．2 GPU虛擬化：分時(shí)虛擬化 146
7．2 人工智能業(yè)務(wù)下GPU資源調(diào)度的工程化方案 147
第8章 人工智能中臺工程化：業(yè)務(wù)能力 157
8．1 模型服務(wù)平臺 157
8．1．1 基于微服務(wù)和Python的工程化方案 157
8．1．2 基于TensorRT的工程化方案 160
8．2 算法建模平臺 166
第9章 人工智能中臺工程化：平臺能力 172
9．1 人工智能統(tǒng)一門戶平臺 172
9．2 人工智能中臺工程化的另一種選擇――Kubeflow 175