新書推薦：
《
拐点：站在AI颠覆世界的前夜
》
售價：HK$
82.8
![竞争优势：透视企业护城河（珍藏版） 6[美]布鲁斯·格林沃尔德](http://103.6.6.66/upload/mall/productImages/24/15/9787111748816.jpg)
《
竞争优势：透视企业护城河（珍藏版） 6[美]布鲁斯·格林沃尔德
》
售價：HK$
118.8
《
日本通史（修订本）上下
》
售價：HK$
309.6
《
好的爱，有边界
》
售價：HK$
70.8
《
心悦读丛书·倍速社会：快电影、剧透与新消费文化
》
售價：HK$
69.6
《
马王堆考古手记
》
售價：HK$
118.8
《
全靠演技
》
售價：HK$
54.0
《
流人系列01：驽马
》
售價：HK$
94.8
|
| 編輯推薦： |
本书深入探讨开创人工智能新局面的数字化数据流相关技术。
全面论述人工智能与大数据的典型应用。内容涵盖：
机器人|智能家居|健康|安防|图像识别|自然语言处理。
|
| 內容簡介： |
本书介绍了人工智能和大数据的技术发展及相关应用领域。全书共分为4章： 第1章智能的含义，第2章数字学习，第3章算法的统治，第4章人工智能的用途。书中主要内容包括智能的定义、商业智能、人工智能、商业智能的发展历史、学习的定义、数字学习、大数据和物联网的影响、基于大数据的人工智能、监督学习和无监督学习、算法的定义、AI简史、人工智能的应用。为了方便读者阅读，本书在多个附录中介绍了AI和大数据的相关技术和术语。
本书适合从事人工智能项目开发的读者阅读。
|
| 關於作者： |
|
费尔南多伊弗雷特Fernando Iafrate ： 法国巴黎迪士尼商业智能部门主管，兼任巴黎多芬纳大学、法国格勒诺布尔管理学院及比利时鲁汶根特管理学院教授。
|
| 目錄：
|
第1章什么是智能
1.1智能
1.2商业智能
1.3人工智能
1.4BI发展史
1.4.1BI 1.0
1.4.2BI 2.0
1.4.3再说一点
第2章数字学习
2.1什么是学习
2.2数字学习
2.3互联网改变了玩法
2.4大数据和物联网将会重新进行洗牌
2.5基于大数据的人工智能是数字学习的关键
2.6监督学习
2.7强化监督学习
2.8无监督学习
第3章算法的统治
3.1什么是算法
3.2AI简史
3.2.120世纪40年代到50年代
3.2.220世纪60年代初期
3.2.320世纪70年代
3.2.420世纪80年代
3.2.520世纪90年代
3.2.621世纪初
3.3算法基于神经网络的含义
3.4大数据和AI为什么能配合得这么好
第4章人工智能的应用
4.1客户体验管理
4.1.1在客户体验管理过程中，智能手机和平板电脑扮演了
什么角色
4.1.2CXM不仅仅是一个软件包
4.1.3CXM的组成
4.2交通业
4.3医疗行业
4.4智能个人助理或代理
4.5图像和声音识别
4.6推荐工具
结论
附录A大数据
附录B智能数据
附录C数据湖
附录D人工智能术语
附录E机器学习和传统商业智能的对比
附录F基于机器学习实现定制方案所需的步骤
|
| 內容試閱：
|
本书是接续上一本书《从大数据到智能数据》编写的，最初的法语版还包含了一个副标题为了一个联网的世界。现在，可以增加无延迟，即副标题改为为了一个无延迟联网的世界，这是因为在如今这个数字化的环境中，时间已经成为关键词，信息在互联网中以光速传播，所有事情都是围绕着怎样比竞争对手更快更好。
现在，时间这个无形资产具有巨大的附加值，这点比以往任何时候都要明显（银行的高频交易就是一个明显的例子，推荐读者阅读Michael Lewis的书 Flash Boys： A Wall Street RevoltMichael Lewis的这本书主要关注高频交易的细节： 高频交易的历史、所用的手段及所涉及的股票等。）。很显然，我们的决策和行动在很大程度上与处理信息、综合运用信息和算法的数字世界息息相关。设想一下，一天不用笔记本电脑、智能手机或平板电脑会怎样，由此可见我们的生活和数字化智能的关联程度。尽管我们通过数字化智能得到了很多服务，且提高了自动化程度，但我们对这些技术更加依赖，甚至说是上瘾（这很矛盾！）。新世界围绕着互联网进行组织，需要企业在高度竞争的环境中做出决策，以及以毫秒级（或者更小）的速度处理复杂的数据。
在现实世界中，客户体验已经变得非常关键，而且顾客对商品、服务或其内容（消息、产品、优惠、信息）的需求也在不断提高。企业希望能够以与其相关的方式处理数据，即使是在数字世界中顾客以匿名方式访问时（之前没有用过个人授权账号），这就意味着必须要利用其他机制以实现这种追踪。虽然有人说穿上袈裟不一定就是和尚，但是顾客担心的是，他们在网络中的衣服会留下踪迹（浏览、cookies、IP地址以及下载历史等）。这样一来，不管他们是否自愿，在不认识他们的情况下也可以给他们打一个数字标识，而且顾客很少或者无法进行控制。
所有的信息都是相互联系的，根据钥匙环原理，信息在产生时就会聚集在一起（见图1）。接下来通过数据定向、分段及推荐引擎方案（在前10年左右就已经实现且基于规则引擎或推荐引擎支撑的软件代理）对这些信息进行挖掘。企业对客户没有所有权，只是拥有客户选择消费的时间。为了提高沟通的相关性，在这段时间内，企业要充分发挥自己的想象力（不过花费也会更高）将客户吸引到他们的信道（网站、联系中心以及门店等）中，相关性越高越好。
现有的规则推荐引擎解决方案和周围环境的交互性不是太好（它们是预定义的模型，所基于的场景描述变量有限），也没有展示出太多的自学习（在分析处理后更新模型，这是非常困难的），结果都是由于识别变量较少带来的同样的效果。这些方案对实时数据变化（如用户是如何进入网页的，他们之前看过什么内容及他们搜索的目的是什么等）考虑较少或根本不考虑，或者说不关心之前的决策或行动的结果。最后但同样重要的是，这些方案根本不会去挖掘或者很少挖掘上下文数据（如用户浏览行为、用户之前看的什么内容及导致的动作等）。
这种在复杂环境中实时进行行动和反应的需求已经持续多年，大数据和联网设备的出现则加大了处理信息的复杂度，各种方案和组织机构（包括统计人员、决策分析人员等）已经被这种持续的数据流压垮（因为互联网从不休眠）。利用企业中的历史分析工具和流程提出的解决方案非常少或者没有，因为这些方案开发起来太复杂，而且所需的资源也变得越来越少（在接下来的几年中，这可能会成为这个领域中的主要问题之一，也就是商业智能专家和统计学家的缺乏已经非常明显）。消费者的购买行为在不断变化（Uber和Airbnb等合作平台已经发明了新的商业模型），最终会产生新的风险（对那些无法适应这个永远变化的世界的人而言）和机遇（对那些能够挖掘大数据这个新的黄金城的人而言）。
要实现大数据自学习以及大规模、自动的挖掘，人工智能（AI）是最有前途的解决方案。更准确地说，在20世纪80年代随着神经网络的诞生而出现的 深度学习现在已经成为新一代的重点解决方案，且伴随着数字化数据流的技术进步，AI已经为这个领域开创了新的局面，且作为大数据的后续，也解决了很多问题，不至于将商业智能中的主要玩家带入歧途。
AI有很多可能的应用领域，如机器人（联网的自动驾驶汽车），家居自动化（智能家居），健康（医疗诊断助理），安防，个人助理（将会变成人们日常生活中的重要工具），专家系统，图像、声音及面部识别（为何不分析情感），自然语言处理以及符合甚至超越我们期望的客户关系管理等。所有这些系统都将是自学习的，系统获取的知识只会随着时间增加，而且还能相互进行知识交换。
微软公司创始人比尔盖茨Bill Gates、连续创业者埃隆马斯克Elon Musk、苹果公司的联合创始人斯蒂夫沃兹尼亚克Steve Wozniak或者科学家史蒂芬霍金Stephen Hawking等则深信AI在我们的社会中会发生变化，人类在某一天可能会被机器控制（如同电影《黑客帝国》）。尽管这一话题涉及哲学或道德，提出的问题非常有意义，会是一场非常有趣且必要的辩论，但本书的目的不在此。从人类历史来看，在进化过程中总是伴随着技术的发展，无论是好是坏。因此本书聚焦于商业智能社会中AI的作用，以及AI如何替代（补充）商业智能。我们已经看到现在许多公司都已经开始采用围绕AI平台构建的解决方案，以及这些方案如何在传统商业智能和大数据商业智能之间架设桥梁。
AI有两种形式： 强AI和弱AI。
强AI指的是能够产生智能行为的机器，且能够表达自我意识以及真正的情感。在这个世界中，机器可以理解它所做的事情及由此带来的后果。智能产生于基于学习和推断过程的大脑生物学原理（因此智能是物质的，且遵循某种算法逻辑）。要在将来某一天实现机器智能或某种等效物质元素、具有情感和某种意识的机器，科学家并不觉得理论上还有什么限制。读者可能已经知道这一话题，但它仍有不少争议。若今天仍没有和人类一样智能的计算机或机器人，则问题主要在于设计，而不是硬件。因此，我们可以认为功能限制是不存在的，为了确定一台机器是否具有强AI功能，必须要通过图灵测试维基百科： 为了说明图灵测试这种方法，图灵提出了一种受排队游戏启发的测试，也就是模仿游戏。在这个游戏中，一个男人A角色和一个女人B角色分别进入单独的房间，其他客人则试图以书写方式提出一系列问题并根据送回来的机打答案将他们区分开。在游戏中，这个男人和女人的目标都是让客人认为他们是对方。图灵描述了这个游戏的一个新版本： 现在问一个问题若在这个游戏中用机器替换A角色，结果会怎样？询问者是否会和之前有一个男人和一个女人参与游戏时一样经常出错？这些问题引出了我们之前说的问题机器能思考吗？。
弱AI则是一种自动、自学习的系统，其算法可以解决某个级别的问题。但在一定情况下，机器的表现就像有智慧一样，但其更多是基于学习（监督或无监督）的，是对人类智能的模拟。可以利用所期望学习类型的数据库，教机器识别声音和图像（例如在一组图像中找出一辆车），这是监督学习。机器可以自己找出所分析的元素直到命名元素。例如，机器识别汽车图像，机器会分析提供的图像，基于神经网络一点点地进行深度学习，并将汽车的概念和所分析的图像关联起来，当某个相关图像被标记为汽车后，它就会知道如何进行描述，这是无监督学习。
Fernando Iafrate2017年12月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
