企业级AI技术内幕:深度学习框架开发+机器学习案例实战+Alluxio解密电子书

封面页

书名页

版权页

作者简介

内容简介

前言

目录

盘古人工智能框架开发专题篇

第1章　导论：为什么人工智能是必然的未来

1.1　为什么一定需要人工智能

1.2　人工智能为何如此强大

1.3　学习人工智能的正道

1.4　人工智能、机器学习、深度学习三者之间的关系

1.5　人工智能的十大经典应用场景

1.6　人工智能在海量数据处理中不可替代的原因

1.7　本书开发环境的安装

第2章　盘古人工智能框架多层次神经网络的实现

2.1　盘古人工智能框架

2.2　实现神经网络的节点结构

2.3　实现神经网络层之间节点的连接

2.4　如何初始化神经网络的权重

2.5　实现多个隐藏层

第3章　盘古人工智能框架的前向传播功能

3.1　前向传播功能

3.1.1　从TensorFlow的可视化运行过程理解前向传播功能

3.1.2　从架构层面理解前向传播功能

3.1.3　理解前向传播原理

3.2　在每个节点上增加数据的输入和计算结果

3.3　实现前向传播算法

3.4　使用Sigmoid函数作为激活函数

3.5　测试前向传播算法并分析计算结果

第4章　盘古人工智能框架的反向传播功能

4.1　深度学习是如何学习的

4.2　实现反向传播算法

4.3　反向传播算法测试及分析计算结果

第5章　盘古人工智能框架的损失度计算及其可视化

5.1　关于损失度的思考——所有人工智能框架终身的魔咒

5.2　编码实现损失度并进行测试

5.3　损失度可视化运行结果

第6章　通过特征归一化和自适应学习优化盘古人工智能框架

6.1　盘古人工智能框架性能测试及问题剖析

6.2　使用特征归一化进行性能优化

6.3　使用自适应学习进行性能优化

第7章　盘古人工智能框架实现方法大总结

7.1　盘古人工智能框架性能测试

7.2　神经网络实现及和TensorFlow的对比

7.3　前向传播算法实现及其和TensorFlow的算法对比

7.4　反向传播算法实现及与TensorFlow的对比

7.5　损失度计算实现与TensorFlow的对比

7.6　人工智能盘古框架源代码

第8章　使用矩阵的方式编写人工智能框架

8.1　使用矩阵编写人工智能框架

8.2　测试及分析计算结果

8.3　对使用矩阵方式编写的人工智能框架进行优化

第9章　使用四种性能优化矩阵编写人工智能框架

9.1　梯度下降陷阱

9.2　增加和调整alpha参数

9.3　人工智能框架的改进优化

第10章　人工智能及感知元解密

10.1　人工智能是什么，怎么做，前景为什么好

10.2　计算机视觉面临的困境及突破

10.3　感知器解密

10.4　计算机图像识别

第11章　神经网络结构及Sigmoid函数

11.1　神经网络实现与非门

11.2　神经网络为什么能够完成各类计算

11.3　神经网络的结构解密

11.4　Sigmoid函数背后的设计和实现密码

11.5　Sigmoid函数的弱点及改进

第12章　用神经网络识别手写数字

12.1　神经网络识别手写数字的原理

12.2　为何识别数字的三层神经网络输出层为10个神经元

12.3　MINST数据集图片库解析

12.4　使用PyTorch框架编码实现MNIST手写数字识别程序

第13章　人工智能框架编写中关于损失度及梯度下降的设计与实现

13.1　损失函数的本质剖析

13.2　梯度下降的本质

13.3　随机梯度下降法的设计和实现

13.4　通过一个简单示例理解梯度下降

第14章　MNIST数字识别

14.1　MNIST数据的加载

14.2　神经网络的初始化

14.3　前向传播和反向传播函数

14.4　小批量随机梯度下降

14.5　损失函数及评估函数

14.6　超参数调优

第15章　从矩阵视角剖析神经网络的运行过程

15.1　点积和外积的本质

15.2　从矩阵的视角剖析神经网络的计算过程

15.3　神经网络中的损失函数

15.4　人工智能框架神经网络四个核心数学公式

第16章　Spark+PyTorch开发应用

16.1　PyTorch深度学习框架案例

16.1.1　案例的应用场景解析

16.1.2　案例的数据分析及预处理

16.1.3　PyTorch深度学习案例实战

16.1.4　PyTorch预训练BERT模型解读

16.2　Spark+Alluxio+PyTorch综合开发案例

机器学习案例实战篇

第17章　机器学习数据的预处理

17.1　预处理机器学习使用的数据的原因

17.2　数据的获取及分析

17.3　使用第三方库（NumPy、Pandas、Matplotlib）预处理数据

17.4　导入数据

17.5　采用面向对象模块化的方式预处理数据

17.6　实际生产环境中如何处理数据缺失的情况

17.7　分类数据处理

17.8　把数据分为训练集和测试集

17.9　特征缩放的意义及具体方法

第18章　简单线性回归

18.1　简单线性回归简介

18.2　案例的应用场景解析

18.3　对案例使用的数据进行分析及预处理

18.4　简单线性回归案例实战

第19章　多元线性回归

19.1　多元线性回归简介

19.2　多元线性回归模型案例的应用场景解析

19.3　对案例使用的数据进行分析及预处理

19.4　多元线性回归案例实战

19.5　通过反向消元法找到风险投资机构在对创业公司投资时最关心的因素

第20章　多项式回归

20.1　多项式回归简介

20.2　案例的应用场景解析

20.3　对案例使用的数据进行分析及预处理

20.4　多项式回归案例实战

第21章　支持向量回归

21.1　支持向量回归简介

21.2　案例的应用场景解析及数据的预处理

21.3　支持向量回归案例实战

第22章　决策树回归

22.1　决策树回归简介

22.2　案例的应用场景解析及数据的预处理

22.3　决策树回归案例实战

第23章　随机森林回归

23.1　随机森林回归简介

23.2　案例的应用场景解析及数据的预处理

23.3　随机森林回归案例实战

第24章　对于回归模型的性能进行评估

24.1　理解拟合度

24.2　理解改进的拟合度

24.3　对回归模型的性能进行评估

24.4　剖析线性回归模型的决定系数

第25章　逻辑回归

25.1　逻辑回归简介

25.2　案例的应用场景解析及数据的预处理

25.3　逻辑回归案例实战

第26章　k近邻算法

26.1　k近邻算法简介

26.2　案例的应用场景解析及数据的预处理

26.3　k近邻算法案例实战

第27章　支持向量机

27.1　支持向量机简介

27.2　案例的应用场景解析及数据的预处理

27.3　支持向量机案例实战

第28章　支持向量机内核

28.1　支持向量机内核简介

28.2　进行高维映射

28.3　内核的使用技巧

28.4　不同类型的内核函数

28.5　案例的应用场景解析及数据的预处理

28.6　支持向量机内核案例实战

第29章　朴素贝叶斯算法

29.1　贝叶斯算法简介

29.2　朴素贝叶斯算法简介

29.3　案例的应用场景解析及数据的预处理

29.4　朴素贝叶斯算法案例实战

第30章　决策树分类

30.1　决策树分类简介

30.2　案例的应用场景解析及数据的预处理

30.3　决策树分类案例实战

第31章　随机森林分类

31.1　随机森林分类简介

31.2　案例的应用场景解析及数据的预处理

31.3　随机森林分类案例实战

第32章　对分类进行性能评估

32.1　假正例及假负例解读

32.2　混淆矩阵解密

32.3　准确性悖论解密

32.4　累积精度曲线解密

第33章　k均值聚类

33.1　k均值聚类简介

33.2　k均值聚类中分组数目选取及随机初始化陷阱

33.2.1　k均值聚类场景

33.2.2　k均值聚类随机初始化陷阱

33.2.3　k均值聚类++中初始中心点选取及分组数目技巧

33.3　案例的应用场景解析及数据的预处理

33.4　k均值聚类案例实战

第34章　层次聚类

34.1　层次聚类简介

34.2　层次聚类中的树状图工作机制解密

34.3　树状图在层次聚类中的运用

34.4　案例的应用场景解析及数据的预处理

34.5　层次聚类案例实战

第35章　关联分析算法

35.1　关联分析算法简介

35.2　案例的应用场景解析

35.3　关联分析算法案例实战

分布式内存管理Alluxio解密篇

第36章　Alluxio概述

36.1　Alluxio简介

36.2　Alluxio架构

36.3　Alluxio数据流

36.4　Alluxio统一存储与抽象

36.5　远程数据加速

36.6　Alluxio 2.0.0新特点

第37章　Alluxio部署

37.1　在本地机器上运行Alluxio

37.2　集群模式部署Alluxio

37.3　在Docker上运行Alluxio

37.4　Alluxio集群Master容错部署

37.5　Alluxio Master及Job Master启动脚本解读

37.6　Alluxio Worker及Job Worker启动脚本解读

第38章　Alluxio底层存储及应用

38.1　Alluxio在深度学习框架PyTorch中的应用

38.1.1　FUSE环境部署（Python、libfuse、Meson、Ninja）

38.1.2　Alluxio FUSE文件目录测试

38.1.3　基于Alluxio+PyTorch的深度学习案例

38.2　Apache Spark使用Alluxio

38.2.1　Apache Spark 2.4.1安装部署

38.2.2　在Alluxio上运行Apache Spark

38.3　Alluxio在Apache Hadoop MapReduce上的应用

38.4　在Alluxio上运行Apache Hive

38.4.1　在Alluxio上创建Hive表

38.4.2　在Alluxio中使用已经存储在HDFS中的表

38.4.3　将Alluxio设置为Hive的默认文件系统

第39章　Alluxio运行与维护

39.1　管理员命令行接口

39.2　Alluxio度量指标系统

39.2.1　Alluxio度量指标配置文件

39.2.2　Alluxio度量指标评价体系

39.3　Alluxio度量指标系统代码解读

39.3.1　Alluxio度量指标系统注册源代码解读

39.3.2　Alluxio度量指标系统Sink源码解读

第40章　Alluxio用户命令及配置项设置

40.1　Alluxio命令行接口

40.2　Alluxio配置项设置