人工智能工程化：應用落地與中臺構建

第一部分 認識人工智能及其常見算法
第1章 認識人工智能 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 深度學習的不同種類 8
1．3．1 監(jiān)督學習 8
1．3．2 無監(jiān)督學習 9
1．3．3 強化學習 10
1．4 人工智能的數(shù)學基礎 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)計規(guī)律 13
1．4．3 數(shù)理統(tǒng)計：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：如何實現(xiàn)抽象推理 18
1．5 人工智能的應用場景 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 32
2．4 K近鄰算法 35
2．5 人工神經網絡 36
2．6 神經網絡中的梯度下降 39
2．7 卷積神經網絡 41
第二部分 人工智能應用落地
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)務場景 50
3．1．2 工程化實踐 53
3．2 人工智能與物流 57
3．2．1 業(yè)務場景 57
3．2．2 工程化實踐 61
3．3 人工智能與智能駕駛 65
3．3．1 業(yè)務場景 65
3．3．2 工程化實踐 67
3．4 人工智能與焊點檢測 69
3．4．1 業(yè)務場景 69
3．4．2 工程化實踐 72
第4章 人工智能與智能設計 75
4．1 人工智能與廣告圖 75
4．1．1 業(yè)務場景 75
4．1．2 工程化實踐 78
4．2 人工智能與保險文本設計 93
4．2．1 業(yè)務場景 94
4．2．2 工程化實踐 94
第三部分 人工智能中臺構建
第5章 人工智能中臺化戰(zhàn)略 102
5．1 企業(yè)架構中的大中臺戰(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 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)標注的平臺能力 120
6．2 數(shù)據(jù)標注的工程化方案 127
6．2．1 標注工具 127
6．2．2 工程化技術 129
第7章 人工智能中臺工程化：硬件能力 144
7．1 GPU資源調度平臺 144
7．1．1 GPU虛擬化：顯卡直通 145
7．1．2 GPU虛擬化：分時虛擬化 146
7．2 人工智能業(yè)務下GPU資源調度的工程化方案 147
第8章 人工智能中臺工程化：業(yè)務能力 157
8．1 模型服務平臺 157
8．1．1 基于微服務和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