更新时间：2021-05-19 17:40:48
封面
版权信息
内容简介
推荐语
序 学会用AI解决真实世界的问题
第1章 AI赋能时代的创业
1.1 中国AI如何弯道超车
1.2 AI从“发明期”进入“应用期”
1.2.1 深度学习助推AI进入“应用期”
1.2.2 To B创业迎来黄金发展期
1.2.3 “传统产业+AI”将创造巨大价值
1.2.4 AI赋能传统行业四部曲
1.3 AI赋能时代的创业特点
1.3.1 海外科技巨头成功因素解析
1.3.2 科学家创业的优势和短板
1.3.3 四因素降低AI产品化、商业化门槛
1.4 给未来AI人才的建议
第2章 AI的产品化和工程化挑战
2.1 从AI科研到AI商业化
2.2 产品经理视角——数据驱动的产品研发
2.2.1 数据驱动
2.2.2 典型C端产品的设计和管理
2.2.3 典型B端产品解决方案的设计和管理
2.2.4 AI技术的产品化
2.3 架构设计师视角——典型AI架构
2.3.1 为什么要重视系统架构
2.3.2 与AI相关的典型系统架构
2.4 写在本章最后的几句话
本章参考文献
第3章 机器学习的发展现状及前沿进展
3.1 机器学习的发展现状
3.2 机器学习的前沿进展
3.2.1 复杂模型
3.2.2 表示学习
3.2.3 自动机器学习
第4章 自然语言理解概述及主流任务
4.1 自然语言理解概述
4.2 NLP主流任务
4.2.1 中文分词
4.2.2 指代消解
4.2.3 文本分类
4.2.4 关键词（短语）的抽取与生成
4.2.5 文本摘要
4.2.6 情感分析
第5章 机器学习在NLP领域的应用及产业实践
5.1 自然语言句法分析
5.1.1 自然语言句法分析的含义与背景
5.1.2 研究句法分析的几个要素
5.1.3 句法分析模型举例
5.2 深度学习在句法分析模型参数估计中的应用
5.2.1 符号嵌入
5.2.2 上下文符号嵌入
第6章 计算机视觉前沿进展及实践
6.1 计算机视觉概念
6.2 计算机视觉认知过程
6.2.1 从低层次到高层次的理解
6.2.2 基本任务及主流任务
6.3 计算机视觉技术的前沿进展
6.3.1 图像分类任务
6.3.2 目标检测任务
6.3.3 图像分割任务
6.3.4 主流任务的前沿进展
6.4 基于机器学习的计算机视觉实践
6.4.1 目标检测比赛
6.4.2 蛋筒质检
6.4.3 智能货柜
第7章 深度学习模型压缩与加速的技术发展与应用
7.1 深度学习的应用领域及面临的挑战
7.1.1 深度学习的应用领域
7.1.2 深度学习面临的挑战
7.2 深度学习模型的压缩和加速方法
7.2.1 主流压缩和加速方法概述
7.2.2 权重剪枝
7.2.3 权重量化
7.2.4 知识蒸馏
7.2.5 权重量化与权重剪枝结合并泛化
7.3 模型压缩与加速的应用场景
7.3.1 驾驶员安全检测系统
7.3.2 高级驾驶辅助系统
7.3.3 车路协同系统
第8章 终端深度学习基础、挑战和工程实践
8.1 终端深度学习的技术成就及面临的核心问题
8.1.1 终端深度学习的技术成就
8.1.2 终端深度学习面临的核心问题
8.2 在冗余条件下减少资源需求的方法
8.3 在非冗余条件下减少资源需求的方法
8.3.1 特殊化模型
8.3.2 动态模型
8.4 深度学习系统的设计
8.4.1 实际应用场景中的挑战
8.4.2 实际应用场景中的问题解决
8.4.3 案例分析
第9章 DeeCamp训练营最佳商业项目实战
9.1 方仔照相馆——AI辅助单张图像生成积木方头仔
9.1.1 让“AI方头仔”触手可及
