第一部分 认识人工智能及其常见算法

第1章 认识人工智能 2

1.1 人工智能的基本概念 2

1.2 人工智能的常见流派 4

1.3 深度学习的不同种类 8

1.3.1 监督学习 8

1.3.2 无监督学习 9

1.3.3 强化学习 10

1.4 人工智能的数学基础 12

1.4.1 线性代数：如何将研究对象形式化 12

1.4.2 概率论：如何描述统计规律 13

1.4.3 数理统计：如何以小见大 14

1.4.4 最优化理论：如何找到最优解 15

1.4.5 信息论：如何定量度量不确定性 16

1.4.6 形式逻辑：如何实现抽象推理 18

1.5 人工智能的应用场景 19

第2章 人工智能的常见算法 24

2.1 线性回归 25

2.2 决策树 27

2.3 支持向量机 32

2.4 K近邻算法 35

2.5 人工神经网络 36

2.6 神经网络中的梯度下降 39

2.7 卷积神经网络 41

第二部分 人工智能应用落地

第3章 人工智能与智能制造 50

3.1 人工智能与AIOps 50

3.1.1 业务场景 50

3.1.2 工程化实践 53

3.2 人工智能与物流 57

3.2.1 业务场景 57

3.2.2 工程化实践 61

3.3 人工智能与智能驾驶 65

3.3.1 业务场景 65

3.3.2 工程化实践 67

3.4 人工智能与焊点检测 69

3.4.1 业务场景 69

3.4.2 工程化实践 72

第4章 人工智能与智能设计 75

4.1 人工智能与广告图 75

4.1.1 业务场景 75

4.1.2 工程化实践 78

4.2 人工智能与保险文本设计 93

4.2.1 业务场景 94

4.2.2 工程化实践 94

第三部分 人工智能中台构建

第5章 人工智能中台化战略 102

5.1 企业架构中的大中台战略 102

5.2 人工智能中台与数据中台 106

5.3 人工智能中台使人工智能更具使能 110

5.4 中小型企业人工智能中台化架构 112

第6章 人工智能中台工程化：数据能力 120

6.1 数据标注的平台能力 120

6.2 数据标注的工程化方案 127

6.2.1 标注工具 127

6.2.2 工程化技术 129

第7章 人工智能中台工程化：硬件能力 144

7.1 GPU资源调度平台 144

7.1.1 GPU虚拟化：显卡直通 145

7.1.2 GPU虚拟化：分时虚拟化 146

7.2 人工智能业务下GPU资源调度的工程化方案 147

第8章 人工智能中台工程化：业务能力 157

8.1 模型服务平台 157

8.1.1 基于微服务和Python的工程化方案 157

8.1.2 基于TensorRT的工程化方案 160

8.2 算法建模平台 166

第9章 人工智能中台工程化：平台能力 172

9.1 人工智能统一门户平台 172

9.2 人工智能中台工程化的另一种选择——Kubeflow 1752100433B