第一章輕松入門
人工智能、機器學習與深度學習有何不同？3
深度學習是機器學習的一部分4
機器學習無需人類編程6
計算機的發(fā)展使深度學習成為可能8
人工智能的發(fā)展如同一股“研究洪流”12
從“移動優(yōu)先”到“AI優(yōu)先”14
第二章入門
深度學習的框架21
何謂機器學習以外的人工智能21
機器學習的基礎24
機器學習存在多種手段26
神經網絡模擬大腦神經構造27
計算機自主學習分類方法32
通過網上的“游樂場”理解神經網絡36
教師引導式學習與強化學習40
“阿爾法圍棋”充分應用強化學習43
第三章谷歌實例
目錄谷歌的深度學習應用實例49
面向未來，深度學習的應用范圍不斷擴展49
語音操控的家庭AI管家50
能像人類一樣溝通交流??？54
深度學習助力無人駕駛58
深度學習為數據中心大幅節(jié)能60
超越人眼，分辨事物的圖像識別功能62
自動對照片進行分類的“Google相冊”64
用人工智能判斷繪畫作品的“Quick，Draw”66
計算機也能做夢？“深夢”實驗68
產出優(yōu)秀藝術與音樂的Magenta69
動態(tài)圖像也可識別！“讀唇術勝過專家”70
能夠理解文章的文本分析技術71
自動生成回復郵件參考文的“Inbox”73
垃圾郵件過濾器的精準度也大幅提升74
使企業(yè)信息檢索暢通無阻的“Google Springboard”75
發(fā)出語音即可與計算機互相溝通的“語音識別”76
在人機對話過程中提供幫助的“Google助手”78
能夠生成合成語音及鋼琴曲的“WaveNet”80
有望打破語言壁壘的“機器翻譯”82
神經網絡推動Google翻譯進化83
可輕松使用深度學習成果的“機器學習API”87
可有效利用個性化深度學習的“TensorFlow”92
深度學習的適用領域與不適用領域94
第四章企業(yè)實例
利用深度學習技術提高工作效率的嘗試在日本接連展開99
安藤·間，隧道施工過程中判斷巖層硬度99
思考如何讓挖掘作業(yè)自動達到最優(yōu)化的程度101
從汽車照片到外形，全部精確鎖定，AUCNET IBS102
一年使用約500萬輛二手車的數據105
無法識別車輛朝向的痛點107
為提升二手車交易的活躍度作出貢獻108
Aerosense對無人機航拍數據的運用109
搭建通過少量教師數據檢測汽車數量的系統(tǒng)110
開發(fā)能提高測量效率的標記112
Peach，通過語音識別API 24小時提供出行咨詢服務114
人與人工智能的職責分配117
三井住友金融集團，對信用卡非正常使用情況的檢測精
準度大幅提升119
全面覆蓋呼叫中心121
數據得不出的答案124
第五章運用框架
用數據×目的的方式進行整合，描繪運用的發(fā)展圖景129
數據×目的整合法131
走在前端的圖像數據運用133
語音數據主要來自呼叫中心135
符合實際的運用方法：以削減成本為入口137
成功必備的常識與人才轉換141
能否構想出運用的推進圖景？142
需要什么樣的人才？145
機器學習日?；?，下一個具有特殊價值的會是？147
第六章未來展望
未來，我們用深度學習解決問題151
谷歌云機器學習團隊研究負責人李佳的解答151
技術革新的引導力是深度學習152
人類能力優(yōu)秀，算法研究任重道遠154
深度學習處于“數據匱乏”狀態(tài)156
解決現實世界的問題是AI研究的目標157
結語
后記
鄂公網安備 42010302001612號 