第 1章 基礎(chǔ)篇人工智能的世界…… 1 1.1　人工智能是什么 …… 2 人工智能的誕生和歷史 …… 2 人工智能到底是什么 …… 2 模型與目標變量、特征變量 …… 3 對人工智能的幻想 …… 4 1.2　人工智能的價值 …… 5 為什么使用人工智能可以實現(xiàn)自動駕駛汽車 …… 5 各國企業(yè)對人工智能的態(tài)度和期望 …… 6 人工智能做得到的事情 …… 7 對未知數(shù)據(jù)進行預測和人工智能的價值 …… 8 1.3　人工智能會搶了人的工作嗎 …… 8 人工智能做不到的事情 …… 8 人工智能無法代替的3 種工作 …… 9 人類會因為人工智能失業(yè)嗎 …… 10 人與人工智能的協(xié)作度 …… 10 1.4　人工智能如何改變世界 …… 12 重新定義所有行業(yè) …… 12 為人工智能所滲透的世界 …… 12 企業(yè)應(yīng)當怎么做 …… 13 人應(yīng)當怎么做 …… 13 第 2章 商業(yè)篇各行各業(yè)的人工智能應(yīng)用和未來展望…… 15 2.1　制造業(yè)的人工智能應(yīng)用和展望（產(chǎn)品開發(fā)篇） …… 16 智能產(chǎn)品 …… 16 產(chǎn)品的計算機化 …… 16 產(chǎn)品的操作系統(tǒng) …… 17 2.2　制造業(yè)的人工智能應(yīng)用和展望（生產(chǎn)管理篇） …… 18 利用人工智能縮減經(jīng)費 …… 18 不使用人工智能的選項 …… 18 使用人工智能穩(wěn)定產(chǎn)品品質(zhì) …… 19 預測性維護 …… 19 異常檢測與安全生產(chǎn) …… 20 生產(chǎn)計劃 …… 20 2.3　汽車行業(yè)的人工智能應(yīng)用和展望 …… 21 汽車的生產(chǎn)現(xiàn)場 …… 21 自動駕駛級別的定義 …… 22 自動駕駛汽車的開發(fā)動向 …… 23 自動駕駛平臺 …… 24 汽車導航系統(tǒng) …… 25 2.4　農(nóng)業(yè)、漁業(yè)、畜牧業(yè)的人工智能應(yīng)用和展望 …… 26 人工智能與植物工廠 …… 27 比較栽培與最優(yōu)化 …… 28 人工智能與漁業(yè) …… 29 使用人工智能的新畜牧業(yè)形態(tài) …… 30 2.5　醫(yī)療行業(yè)的人工智能應(yīng)用和展望 …… 30 通過人工智能診斷 …… 31 通過圖像識別診斷 …… 31 在醫(yī)療領(lǐng)域應(yīng)用人工智能的注意事項 …… 32 數(shù)據(jù)共享的問題 …… 33 解析腦電波的可行性 …… 33 人機接口 …… 35 AI 新藥研發(fā) …… 35 細胞培養(yǎng) …… 36 2.6　建筑行業(yè)的人工智能應(yīng)用和展望 …… 37 工程和建設(shè)用車輛 …… 37 智慧家庭 …… 38 2.7　金融行業(yè)的人工智能應(yīng)用和展望 …… 39 通過人工智能進行資產(chǎn)運用 …… 39 通過人工智能提高銀行的業(yè)務(wù)效率 …… 40 2.8　零售行業(yè)的人工智能應(yīng)用和展望 …… 40 Amazon Go 與超市的未來 …… 40 便利店與人工智能 …… 42 應(yīng)用聊天機器人 …… 44 應(yīng)用人工智能進行需求預測 …… 45 推薦 …… 46 第3章 商業(yè)篇各國針對人工智能應(yīng)用的政策…… 49 3.1　能源與智能電網(wǎng) …… 50 智能電網(wǎng) …… 50 智能電網(wǎng)和人工智能 …… 50 3.2　智慧城市 …… 51 智慧城市 …… 51 新加坡的智慧國家計劃 …… 51 使用人工智能制定城市發(fā)展計劃 …… 52 超越智慧城市 …… 54 3.3　數(shù)據(jù)流通的現(xiàn)狀和問題 …… 54 數(shù)據(jù)流通的必要性 …… 54 日本公共機構(gòu)的公開數(shù)據(jù)推進 …… 55 日本以外國家的公開數(shù)據(jù)推進 …… 57 與公開數(shù)據(jù)有關(guān)的問題 …… 58 促進民間的數(shù)據(jù)流通 …… 58 信息銀行 …… 58 促進民間數(shù)據(jù)流通存在的問題 …… 60 第4章 商業(yè)篇人工智能項目的推進方法和注意點…… 61 4.1　人工智能項目的策劃 …… 62 目標的設(shè)定和共有價值的創(chuàng)造 …… 62 創(chuàng)新者的窘境 …… 63 人工智能和知識產(chǎn)權(quán) …… 63 4.2　數(shù)據(jù)的收集和管理 …… 64 為進行人工智能的應(yīng)用需收集的3 種數(shù)據(jù) …… 64 內(nèi)部數(shù)據(jù)的收集和管理 …… 64 傳感數(shù)據(jù)的收集和管理 …… 64 外部數(shù)據(jù)的收集和管理 …… 65 4.3　人才不足問題的解決方法 …… 66 日本工程師不足的現(xiàn)狀 …… 66 人工智能教育的必要性 …… 67 初期的項目組織架構(gòu) …… 67 借助外部力量 …… 68 尋找合作伙伴的方法 …… 68 第5章 技術(shù)篇機器學習——人工智能進化史…… 69 5.1　學習人工智能之前必須掌握的知識 …… 70 特征變量、目標變量和模型 …… 70 絕對值 …… 71 導數(shù) …… 72 相關(guān)關(guān)系和相關(guān)系數(shù) …… 73 數(shù)據(jù)間的因果關(guān)系和偽相關(guān)關(guān)系 …… 74 矩陣的內(nèi)積 …… 74 概率 …… 75 5.2　人工智能的歷史 …… 76 學習人工智能歷史的意義 …… 76 早期的演繹推理人工智能 …… 76 現(xiàn)在的歸納推理人工智能 …… 77 歸納推理的局限 …… 78 發(fā)現(xiàn)信息的現(xiàn)在的人工智能 …… 79 計算機視覺 …… 79 5.3　機器學習能做到的事 …… 80 回歸分析（簡單回歸分析） …… 80 回歸分析（多重回歸分析） …… 82 分類 …… 83 聚類 …… 84 5.4　數(shù)據(jù)集分析實例 …… 86 數(shù)據(jù)集分析 …… 86 鳶尾花數(shù)據(jù)集 …… 86 葡萄酒品質(zhì)數(shù)據(jù)集 …… 90 波士頓房價數(shù)據(jù)集 …… 91 手寫數(shù)字數(shù)據(jù)集 …… 93 Cifar-10（用于圖像識別練習的數(shù)據(jù)集） …… 95 使用20 Newsgroups 進行文本數(shù)據(jù)分析 …… 96 5.5　學習 …… 99 學習的意義 …… 99 機器學習 …… 99 學習數(shù)據(jù)和監(jiān)督學習 …… 99 無監(jiān)督學習 …… 100 強化學習 …… 100 學習方法的選擇 …… 100 5.6　機器學習的算法 …… 101 決策樹 …… 101 SVM …… 102 遺傳算法 …… 104 K 均值算法 …… 106 第6章 技術(shù)篇深度學習——現(xiàn)在的人工智能…… 109 6.1　神經(jīng)網(wǎng)絡(luò) …… 110 神經(jīng)網(wǎng)絡(luò)的誕生 …… 110 大腦中信息傳遞的工作原理 …… 111 大腦的學習 …… 113 邏輯電路 …… 114 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) …… 115 基于感知機的計算處理 …… 116 激活函數(shù) …… 118 輸出函數(shù) …… 122 前向傳播小結(jié) …… 123 6.2　誤差反向傳播算法 …… 124 學習的原理 …… 124 損失函數(shù) …… 125 使用偏導數(shù)計算影響程度 …… 126 偏導數(shù)的具體例子 …… 127 優(yōu)化算法（SGD） …… 129 其他優(yōu)化算法 …… 131 小批量學習 …… 132 反向傳播和學習的小結(jié) …… 132 6.3　深度學習 …… 134 特征提取 …… 134 深度學習的優(yōu)點 …… 134 人工智能的視角 …… 135 深層導致的各種問題 …… 135 實現(xiàn)深度學習的方法 …… 136 Dropout …… 137 自動編碼器 …… 137 6.4　卷積神經(jīng)網(wǎng)絡(luò) …… 139 圖像識別和抽象化 …… 139 卷積神經(jīng)網(wǎng)絡(luò)的實例（AlexNet） …… 140 卷積神經(jīng)網(wǎng)絡(luò)概要 …… 141 卷積層的目標 …… 141 卷積層中的過濾器和權(quán)重計算 …… 142 對過濾器反應(yīng)的特征的可視化 …… 143 在卷積層實施填充 …… 144 卷積層的激活 …… 145 池化層的處理 …… 145 平坦化的實施 …… 146 全連接層的處理 …… 148 使用卷積神經(jīng)網(wǎng)絡(luò)的分析示例 …… 148 第7章 技術(shù)篇人工智能的開發(fā)和運用管理…… 155 7.1　人工智能的設(shè)計 …… 156 機器學習算法的選擇 …… 156 目標值的設(shè)置 …… 156 目標值和開發(fā)成本 …… 157 學習的實施計劃 …… 158 保存學習后的模型 …… 158 7.2　人工智能的運用監(jiān)視 …… 159 回歸分析中精度的監(jiān)視 …… 159 分類中精度的監(jiān)視 …… 160 交叉驗證 …… 162 過擬合 …… 163 分辨過擬合 …… 164 應(yīng)對過擬合 …… 164 7.3　Python 語言 …… 165 使用Python 的理由 …… 165 Python 的版本 …… 166 Python 的開發(fā)環(huán)境 …… 167 7.4　數(shù)據(jù)分析所需的Python 包 …… 168 包管理 …… 168 Jupyter Notebook …… 168 Matplotlib …… 169 NumPy …… 170 pandas …… 170 SciPy …… 171 7.5　人工智能相關(guān)庫 …… 171 TensorFlow …… 172 Chainer …… 172 PyTorch …… 172 Keras …… 173 scikit-learn …… 173 DEAP …… 174 OpenAI Gym …… 174 7.6　運行人工智能的平臺 …… 175 人工智能學習的環(huán)境 …… 175 人工智能預測的環(huán)境 …… 176 Amazon Web Service …… 177 Google Cloud Platform …… 177 Microsoft Azure …… 178 IBM Cloud …… 179 SAKURA Cloud …… 179 Neural Network Console …… 179 Google Colaboratory …… 180 7.7　硬件和平臺 …… 182 人工智能和CPU 的關(guān)系 …… 182 人工智能和GPU 的關(guān)系 …… 182 CUDA …… 183 ASIC 和TPU …… 184 面向邊緣計算的板卡 …… 185 第8章 技術(shù)篇人工智能的最新技術(shù)——今后的人工智能…… 187 8.1　循環(huán)神經(jīng)網(wǎng)絡(luò) …… 188 循環(huán)神經(jīng)網(wǎng)絡(luò)的特點 …… 188 循環(huán)神經(jīng)網(wǎng)絡(luò)中的計算 …… 188 使用循環(huán)神經(jīng)網(wǎng)絡(luò)的分析示例 …… 190 LSTM …… 192 將來的循環(huán)神經(jīng)網(wǎng)絡(luò) …… 193 8.2　強化學習的歷史和DQN …… 194 馬爾可夫決策過程 …… 194 Q 學習 …… 195 DQN …… 196 DQN 中卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用 …… 197 8.3　AlphaGo 和AlphaGo Zero …… 197 為什么AlphaGo 這么厲害 …… 198 AlphaGo 的算法和技術(shù) …… 199 策略網(wǎng)絡(luò) …… 199 創(chuàng)建SL 策略網(wǎng)絡(luò) …… 200 移出策略模型 …… 202 AlphaGo 強化學習的目標 …… 202 利用策略梯度算法生成RL 策略網(wǎng)絡(luò) …… 203 價值網(wǎng)絡(luò) …… 203 蒙特卡洛樹搜索 …… 205 AlphaGo Zero 的沖擊 …… 206 8.4　A3C …… 207 Asynchronous …… 207 Advantage …… 207 Actor-Critic …… 208 A3C 的成果 …… 208 8.5　GANs …… 209 GANs 的歷史 …… 209 GANs 的原理 …… 209 DCGAN …… 210 使用DCGAN 的分析示例 …… 211 將來的GANs …… 212 8.6　BERT …… 213 BERT 的目標 …… 214 BERT 的學習 …… 214 靈活使用已學習模型 …… 214 8.7　靈活使用社交數(shù)據(jù) …… 215 8.8　膠囊網(wǎng)絡(luò) …… 215 卷積神經(jīng)網(wǎng)絡(luò)的弱點 …… 215 膠囊網(wǎng)絡(luò)的目標 …… 217 膠囊網(wǎng)絡(luò)的結(jié)構(gòu) …… 217 動態(tài)路由 …… 218 將來的膠囊網(wǎng)絡(luò) …… 218 第9章 人工智能開發(fā)常見問題…… 221 9.1　關(guān)于人工智能的一般問題 …… 222 Q.1　人工智能聰明嗎？ …… 222 Q.2　人工智能會出錯嗎？ …… 222 Q.3　人工智能擅長的事情是什么？ …… 223 Q.4　人工智能不擅長的事情是什么？ …… 223 Q.5　什么是奇點？ …… 223 Q.6　達到奇點后，人工智能會變得比人聰明并控制人類嗎？ …… 224 Q.7　人工智能會像人一樣思考嗎？ …… 224 Q.8　可以讓人工智能產(chǎn)生感情嗎？ …… 224 9.2　令人擔憂的人工智能問題 …… 225 Q.9　人工智能有可能被用于軍事嗎？ …… 225 Q.10　能通過人工智能實現(xiàn)機器人武器嗎？ …… 225 Q.11　搭載人工智能的武器有可能傷害人類嗎？ …… 226 Q.12　人工智能有可能防范犯罪嗎？ …… 226 Q.13　人工智能有可能進行網(wǎng)絡(luò)攻擊嗎？ …… 226 Q.14　為了防范網(wǎng)絡(luò)攻擊可以使用人工智能嗎？ …… 227 Q.15　人工智能有可能被破解嗎？ …… 227 9.3　在企業(yè)應(yīng)用人工智能的問題 …… 228 Q.16　所有企業(yè)都應(yīng)該使用人工智能嗎？ …… 228 Q.17　人工智能會促使更多企業(yè)進入其他行業(yè)嗎？ …… 228 Q.18　人工智能的開發(fā)費用會變高昂嗎？ …… 229 Q.19　有沒有根據(jù)人工智能的開發(fā)費用來估算開發(fā)成本的方法？ …… 229 Q.20　人工智能的技術(shù)人才供給不足嗎？ …… 229 Q.21　如何尋找?guī)椭�開發(fā)人工智能的技術(shù)人才？ …… 230 Q.22　如何與能進行人工智能開發(fā)的技術(shù)人才取得聯(lián)系呢？ …… 231 Q.23　各國政府推薦人工智能的使用嗎？ …… 231 Q.24　日本的地方政府推薦利用人工智能嗎？ …… 231 9.4　與生活有關(guān)的問題 …… 232 Q.25　人工智能會使我們的生活有什么變化？ …… 232 Q.26　不懂人工智能的話還有辦法生活嗎？ …… 232 9.5　關(guān)于人工智能人才的培養(yǎng)和教育的問題 …… 232 Q.27　什么樣的人在開發(fā)人工智能？ …… 232 Q.28　今后的年輕一代需要掌握關(guān)于人工智能的知識嗎？ …… 233 Q.29　在學校里人工智能是必修科目嗎？ …… 233 Q.30　要想開發(fā)人工智能，應(yīng)該學習什么呢？ …… 234 Q.31　即使不擅長數(shù)學也能理解人工智能嗎？ …… 234 Q.32　學習人工智能首先應(yīng)該做什么？ …… 234 Q.33　有效學習人工智能的方法是什么？ …… 235 9.6　關(guān)于人工智能的未來的問題 …… 236 Q.34　今后人工智能還會進化嗎？ …… 236 Q.35　人工智能會變得有想象力嗎？ …… 236 Q.36　我們?nèi)祟悜?yīng)該如何和人工智能交往呢？ …… 237 后記 …… 239