AI速成課：從AI編程到構建智能軟件（簡體書）

本書從基礎知識入手，詳細講解通過強化學習和深度學習構建AI系統所需的一切，並通過5個完整的項目實例，循序漸進展示如何使用*佳、*簡單的AI編程工具(包括Python、TensorFlow、Keras和PyTorch)構建智能軟件。具體內容包括AI工具包、Python基礎、AI基礎技巧、你的第一個AI模型、銷售和廣告中的AI、Q學習、物流行業中的AI、人工大腦、自動駕駛車輛中的AI、商業中的AI、深度卷積Q學習、遊戲中的AI。

與Udemy平臺的優秀人工智能講師Hadelin de Ponteves一起解鎖人工智能的力量，從零起步掌握人工智能基礎知識

譯者序
前言
作者簡介
審校者簡介
第1章　歡迎來到機器人世界1
　1.1　開始你的AI旅程1
　1.2　四種不同的AI模型2
　1.3　學習AI可以讓你做什麼3
　1.4　小結5
第2章　探索你的AI工具包6
　2.1　GitHub源代碼頁面6
　2.2　Colaboratory 運行環境7
　2.3　小結11
第3章　Python基礎――學習如何用Python編程12
　3.1　顯示文本13
　3.2　變量和操作13
　3.3　列表和數組14
　3.4　if語句和條件16
　3.5　for循環和while循環17
　3.6　函數21
　3.7　類和對象22
　3.8　小結24
第4章　AI基礎技巧25
　4.1　什麼是強化學習25
　4.2　強化學習的五大原理26
4.2.1　原理#1――輸入與輸出系統26
4.2.2　原理#2――獎勵27
4.2.3　原理#3――AI環境27
4.2.4　原理#4――馬爾可夫決策過程28
4.2.5　原理#5――訓練與推斷28
　4.3　小結30
第5章　你的第一個AI模型――小心老虎機31
　5.1　多臂老虎機問題31
　5.2　湯普森採樣模型32
5.2.1　模型編程32
5.2.2　理解模型36
5.2.3　什麼是分佈37
5.2.4　應對多臂老虎機問題39
5.2.5　湯普森採樣策略三步走41
5.2.6　湯普森採樣模型的臨門一腳42
5.2.7　湯普森採樣模型與標準模型42
　5.3　小結44
第6章　銷售和廣告中的AI――像“AI街之狼”一樣銷售45
　6.1　待解決的問題45
　6.2　用仿真構建AI環境47
6.2.1　運行仿真程序48
6.2.2　回顧50
　6.3　AI解決方案及其直覺的回顧50
6.3.1　AI解決方案51
6.3.2　直覺51
　6.4　技術實現52
6.4.1　湯普森採樣與隨機策略選擇52
6.4.2　開始編程52
6.4.3　最終結果57
　6.5　小結58
第7章　歡迎來到Q學習59
　7.1　迷宮59
7.1.1　第一步60
7.1.2　構建環境61
7.1.3　構建AI模型64
　7.2　Q學習的完整流程66
7.2.1　訓練模式66
7.2.2　推斷模式67
　7.3　小結67
第8章　物流行業中的AI――倉庫中的機器人68
　8.1　構建環境69
8.1.1　狀態70
8.1.2　行為70
8.1.3　獎勵70
8.1.4　AI解決方案回顧70
　8.2　技術實現71
8.2.1　第1部分――構建環境72
8.2.2　第2部分――用Q學習構建AI解決方案74
8.2.3　第3部分――進入推斷模式75
8.2.4　改進1――自動化獎勵分配77
8.2.5　改進2――加入一個中間目標80
　8.3　小結82
第9章　人工大腦――深度Q學習83
　9.1　預測房價83
9.1.1　上傳數據集84
9.1.2　導入依賴庫85
9.1.3　排除變量86
9.1.4　準備數據87
9.1.5　構建神經網絡90
9.1.6　訓練神經網絡91
9.1.7　展示結果91
　9.2　深度學習理論92
9.2.1　神經元92
9.2.2　激活函數95
9.2.3　神經網絡的工作原理98
9.2.4　神經網絡如何學習98
9.2.5　正向傳播算法和反向傳播算法99
9.2.6　梯度下降算法100
　9.3　深度Q學習106
9.3.1　歸一化指數方法107
9.3.2　深度Q學習回顧108
9.3.3　經驗回放109
9.3.4　深度Q學習的完整算法109
　9.4　小結110
第10章　自動駕駛汽車中的AI――造一輛自動駕駛汽車111
　10.1　構建環境111
10.1.1　設定目標113
10.1.2　設置參數116
10.1.3　輸入狀態118
10.1.4　輸出行為119
10.1.5　獎勵120
　10.2　AI解決方案回顧122
　10.3　技術實現123
10.3.1　第1步――導入依賴庫123
10.3.2　第2步――創造神經網絡的架構124
10.3.3　第3步――實現經驗回放127
10.3.4　第4步――實現深度Q學習130
　10.4　演示138
10.4.1　安裝Anaconda139
10.4.2　用Python 3.6創建一個虛擬環境140
10.4.3　安裝PyTorch142
10.4.4　安裝Kivy143
　10.5　小結151
第11章　商業中的AI――用深度Q學習使成本最小化152
　11.1　要解決的問題152
　11.2　構建環境153
11.2.1　服務器環境中的常量和變量153
11.2.2　關於服務器環境的假設154
11.2.3　仿真155
11.2.4　整體功能156
11.2.5　定義狀態157
11.2.6　定義行為158
11.2.7　定義獎勵158
11.2.8　最後的仿真示例159
　11.3　AI解決方案161
11.3.1　大腦162
11.3.2　技術實現163
　11.4　演示191
11.5　回顧――通用AI框架/藍圖199
　11.6　小結200
第12章　深度卷積Q學習201
　12.1　CNN有什麼用途201
　12.2　CNN的工作原理202
12.2.1　第1步――卷積204
12.2.2　第2步――最大池化206
12.2.3　第3步――扁平化209
12.2.4　第4步――全連接210
　12.3　深度卷積Q學習211
　12.4　小結212
第13章　遊戲中的AI――成為《貪吃蛇》大師213
　13.1　要解決的問題213
　13.2　構建環境214
13.2.1　定義狀態214
13.2.2　定義行為215
13.2.3　定義獎勵216
　13.3　AI解決方案216
13.3.1　大腦217
13.3.2　經驗回放記憶218
　13.4　技術實現219
13.4.1　第1步――構建環境219
13.4.2　第2步――構建大腦226
13.4.3　第3步――構建經驗回放記憶228
13.4.4　第4步――訓練AI模型230
13.4.5　第5步――測試AI模型235
　13.5　演示237
13.5.1　安裝237
13.5.2　結果242
　13.6　小結243
第14章　回顧與總結244
　14.1　回顧――整體AI框架/藍圖244
　14.2　探索你在AI領域的下一站245
14.2.1　不斷練習246
14.2.2　社交247
14.2.3　學無止境247