道格·罗斯（Doug Rose） 

有超过25年为各种组织提供技术、培训和流程优化变革的经验。他是美国项目管理协会（PMI）关于敏捷框架的第一本主要出版物Leading Agile Teams的作者，还是Data Science: Create Teams That Ask the Right Questions and Deliver Real Value和Enterprise Agility for Dummies两本书的作者。

Doug拥有雪城大学信息管理学硕士学位、法学学位和威斯康星大学麦迪逊分校的文学学士学位。他还是规模化敏捷框架项目顾问（SPC）、认证技术培训师（CTT+）、Scrum认证专家（CSP-SM）、认证Scrum Master（CSM）、PMI敏捷管理专业人士（PMI-ACP）、项目管理专业人士资格认证（PMP）和Apache Hadoop认证开发人员（CCDH）。

你可以通过LinkedIn Learning来学习Doug在芝加哥大学或网上的生动有趣的商业和项目管理课程。

Doug在Doug Enterprises工作，在他居住过的所有城市都有Doug Enterprises的办公室。目前他在佐治亚州的亚特兰大市暂住，他最喜欢的休闲方式是骑一辆固定的卧式自行车或者向儿子解释漫威宇宙。

译者简介

刘强

2009年硕士毕业于中国科学技术大学数学系，有12年大数据与推荐系统相关实战经验，是电视猫大数据与人工智能团队的负责人。他带领团队从零开始搭建公司的大数据平台，将数据分析、数据可视化、推荐系统、搜索等大数据及AI能力应用于公司业务中。目前，公司近30%的流量来源于推荐和搜索。他还创建了“数据与智能”社区（包括同名的微信公众号、视频号、知乎、B站等自媒体平台号），聚焦于数据分析、大数据、推荐系统、机器学习、人工智能等领域知识的分享与传播。目前已出版推荐系统专著一部《构建企业级推荐系统：算法、工程实现与案例分析》。

◆推荐序 ◆

很高兴受邀翻译本书。翻开这本书阅读几页，就被这本书采用通俗的语言将高深的技术讲解得轻松易懂的写作手法吸引了。顿时对这本书产生了强烈的兴趣，欣然接受了翻译任务。

相信读者们对人工智能这个词非常熟悉了。2016年DeepMind的AlphaGo战胜韩国9段围棋高手李世石这一世纪大事件之后，以深度学习为主的人工智能技术不断发展进步，人工智能的产业应用也层出不穷，社会对人工智能相关的人才有了极大的需求。

在这一大背景下，相关的人工智能著作也慢慢多了起来。人工智能相关著作主要有两大类。一类是围绕技术展开，普及人工智能相关技术，如深度学习、NLP、计算机视觉等方向的技术书，这类书技术背景比较强，适合相关专业从业者阅读。另一类是科普式的，给大众普及人工智能概念及行业应用，如吴军博士的《智能时代》等，这类书往往不涉及技术细节。

而本书跟这两类书不一样，它采用类比（跟生活中大家日常熟悉的事物类比）的思路来讲解机器学习、人工神经网络和深度学习等相关技术细节及行业应用。因此，这本书，读者对于想了解技术细节但没有很强技术背景的读者是非常友好的。通过阅读本书，读者既可以轻松理解技术原理，又可以学习相关的行业应用。即使对于专业技术人员来说，本书对于更深入地理解技术背后的原理和本质也是大有裨益的。

总之，这本书适合所有对机器学习、人工神经网络、深度学习等人工智能技术原理及行业应用感兴趣的读者，包括学生、科研工作者、产品经理、运营人员、市场人员、销售人员、公司管理人员、技术人员。我相信任何人都可以从本书中获得自己想要的知识。我作为一个在大数据与人工智能行业有十来年经历的从业者，在翻译完这本书后，也觉得受益匪浅。

在翻译这本书的过程中，我尽量跟原文保持一致，在很多地方为了符合中文的语法规范和照顾读者的阅读体验，对部分表述根据自己的理解做了适当的调整，希望可读性更强。但由于自身能力、精力有限，纰漏之处在所难免，也欢迎广大读者批评指正！

刘强

序

大约20年前，当我第一次开始接触人工智能（AI）和机器学习（ML）时，这两项技术基本还处于学术研究阶段。在过去的几年中，我们看到了人工智能和机器学习领域的飞跃，它们被成功地应用到现实世界中，如无人驾驶汽车、定向广告、预测罕见疾病等。这一发展背后有三个主要的原因：大数据的产生、计算能力的提升和高级机器学习算法的进步。今天，甚至连一部手机都可以实时运行复杂的机器学习算法。这些技术进步给研究者和非专家去学习、使用、部署定制化的机器学习解决方案提供了绝佳的机会。灵活的软件库可供大众使用，模型可以在云端构建，这些让人工智能和机器学习变得更加适用，更接地气。

不幸的是，一方面，软件库的简单性和可用性掩盖了机器学习技术的复杂性。另一方面，有很多写满数学公式的书，讲解了机器学习的复杂原理，但是只有专家和研究人员才能看懂。目前缺少能够以易于理解的方式，像讲故事一样讲清楚人工智能和机器学习基本原理的书籍。本书刚好填补了市场空白，为非技术方向的主管理解人工智能与机器学习原理并利用这些技术解决商业问题提供了切实可行的方向。

我在人工智能和机器学习领域的国际期刊和会议上发表过很多研究文章，最初我以为本书就像我所做的众多学术研究中的总结一样，是一本偏技术的书，但是当我读完第1章后，才发现这本书的特别之处。很显然，Doug懂他的读者，他想讲一个简单并且引人入胜的故事，目的是吸引每个人去了解迷人的人工智能与机器学习世界，而不是用大量的数学公式吓住读者，让读者不敢靠近。当数据科学变得越来越普遍，我们需要努力将人工智能和机器学习介绍给每个人，让人们更好地应对不断加速变化的世界。

这本书分为四个主要部分：

在第一部分，Doug花了一章的篇幅从人工智能的历史开始解释其基本概念，使读者对人工智能发展史、人工智能能做什么及不能做什么有一个基本了解，从而更好地理解人工智能的能力和限制。Doug接着解释了强人工智能与弱人工智能这两个有趣的概念，将人工智能和大数据结合起来的巨大威力，以及人工智能面临的挑战。然后，他花了相当多的篇幅讲解了专家系统、数据挖掘、监督学习与无监督学习、误差反向传播、回归分析等主题。这一部分内容也提到了人工智能的主要应用场景，包括智能机器人、自然语言处理（NLP）、物联网（IoT）。本部分结束后，读者一定会思考怎么利用人工智能与机器学习的能力去服务商业。

第二部分深入探讨机器学习的核心概念，并通过大量案例来说明这些概念，让读者将他们要解决的商业问题与机器学习结合起来。在这一部分，作者介绍了机器学习的几个子领域，包括半监督学习、强化学习、集成学习以及主流的算法。作者并没有使用大量的数学公式，而是采用例子和类比的方式讲解。向初学者介绍不同的机器学习模型对于他们从侧面理解这些领域是非常关键的，这也是这部分写得比较好的地方。特别是用射箭来类比和解释偏差–方差权衡这一比较有挑战的概念，是非常值得称道的。

第三部分介绍神经网络，这是最有挑战的部分，因为绝大多数神经网络的文献都包含大量的数学公式，而本书尽量少用公式，所以没有太多的参考。然而，Doug通过一个非常好的大脑类比方法，清晰地讲解了神经网络与人脑的区别，然后解释了感知机、激活函数，并通过简单的计算让读者理解了神经网络基本单元的处理能力。当前深度学习领域产生了越来越复杂、越来越大的神经网络，然而，通过向读者介绍单个感知机的基本原理，使其更容易理解现代深度神经网络（深度神经网络中有上千个这样的感知机）中比较有挑战的概念。

因为初学者通常很难理解反向传播、梯度下降优化、损失函数这些概念，Doug在第四部分通过日常生活中简洁的例子来讲解这些概念背后的思想。通过将第二部分的机器学习概念与神经网络联系起来，可以更好地帮助读者在解决各种有挑战的问题时理解不同的机器学习概念，并建立它们之间的联系以及与神经网络的联系。在这一部分最后，作者提到了几个关键挑战，并提供了选择正确的数据和工具的指导原则，同时说明了采用解释方法的重要性。

对于人工智能与机器学习领域的初学者，我强烈推荐这本书。即使没有数学和统计学背景，你也会发现这本书很好理解。这本书对很多机器学习实践者和数据科学家来说也很有价值，有助于他们复习一些核心概念。我确信，读完这本书之后，你会收获很多新的思想并非常乐意去进一步探索人工智能与机器学习领域，这就是写这本书的目的，Doug确实做到了。我祝福Doug，希望这本书大卖。能够为这本书写序我感到非常荣幸。

—Shehroz S. Khan 博士

多伦多大学

译者序
序
前言
致谢
第一部分　思考的机器：人工智能概述
第1章　什么是人工智能 2
1.1　什么是智能 3
1.2　测试机器的智能 5
1.3　解决问题的一般方法 7
1.4　强人工智能与弱人工智能 10
1.5　人工智能规划 12
1.6　学习胜过记忆 14
1.7　本章小结 16
第2章　机器学习的兴起 18
2.1　机器学习的实际应用 21
2.2　人工神经网络 23
2.3　感知机的兴衰 26
2.4　大数据时代来临 29
2.5　本章小结 32
第3章　聚焦最佳方法 33
3.1　专家系统与机器学习 33
3.2　监督学习与无监督学习 35
3.3　误差反向传播 37
3.4　回归分析 39
3.5　本章小结 41
第4章　通用人工智能应用 42
4.1　智能机器人 43
4.2　自然语言处理 45
4.3　物联网 47
4.4　本章小结 48
第5章　让大数据插上人工智能的翅膀 50
5.1　理解大数据的基本概念 51
5.2　与数据科学家合作 52
5.3　机器学习与数据挖掘的区别 52
5.4　从数据挖掘到机器学习的飞跃 53
5.5　采用正确的方法 54
5.6　本章小结 56
第6章　权衡你的选择 58
第二部分　机器学习
第7章　什么是机器学习 64
7.1　机器怎么学习 68
7.2　处理数据 70
7.3　应用机器学习技术 73
7.4　学习的类型介绍 75
7.5　本章小结 78
第8章　机器学习的范式 79
8.1　监督机器学习 79
8.2　无监督机器学习 82
8.3　半监督机器学习 84
8.4　强化学习 86
8.5　本章小结 88
第9章　主流机器学习算法 89
9.1　决策树 93
9.2　k最近邻算法 95
9.3　k均值聚类 98
9.4　回归分析 101
9.5　朴素贝叶斯 103
9.6　本章小结 106
第10章　机器学习算法应用 107
10.1　利用算法模型拟合数据 110
10.2　选择算法 112
10.3　集成建模 112
10.4　决定机器学习范式 115
10.5　本章小结 115
第11章　几个建议 117
11.1　开始提问 117
11.2　不要混用训练数据和测试数据 119
11.3　不要夸大模型的精度 119
11.4　了解你的算法 120
11.5　本章小结 120
第三部分　人工神经网络
第12章　什么是人工神经网络 124
12.1　为什么与大脑类比 126
12.2　只是另外一个惊人的算法 126
12.3　了解感知机 128
12.4　采用sigmoid神经元 131
12.5　添加偏置项 133
12.6　本章小结 134
第13章　人工神经网络实战 136
13.1　将数据输入神经网络 136
13.2　隐藏层到底发生了什么 138
13.3　理解激活函数 141
13.4　添加权重 144
13.5　添加偏置项 145
13.6　本章小结 146
第14章　让神经网络开始学习 147
14.1　从随机权重和随机偏置项开始 148
14.2　让神经网络为错误买单：损失函数 149
14.3　结合损失函数和梯度下降法 150
14.4　利用反向传播纠正误差 152
14.5　调优神经网络 156
14.6　使用链式法则 156
14.7　利用随机梯度下降法对训练集批处理 158
14.8　本章小结 159
第15章　利用神经网络进行聚类和分类 160
15.1　求解分类问题 161
15.2　求解聚类问题 163
15.3　本章小结 165
第16章　关键挑战 166
16.1　获取足够多的高质量数据 166
16.2　隔离训练数据与测试数据 168
16.3　谨慎选择你的训练数据集 168
16.4　采取探索性的方法 169
16.5　选择正确的工具解决问题 169
16.6　本章小结 169
第四部分　人工智能实践
第17章　利用自然语言处理的威力 172
17.1　利用自然语言理解技术从文本和语音中提取线索 174
17.2　利用自然语言生成技术提供合理的反馈 175
17.3　客户服务的自动化 177
17.4　梳理主流的自然语言处理工具和资源 179
17.4.1　自然语言理解工具 180
17.4.2　自然语言生成工具 181
17.5　本章小结 183
第18章　客户互动自动化 184
18.1　选择自然语言技术 186
18.2　梳理构建聊天机器人及虚拟代理的主流工具 187
18.3　本章小结 189
第19章　提升基于数据的决策 190
19.1　在自动化决策和基于直觉的决策中做出选择 192
19.2　从物联网设备实时收集数据 193
19.3　梳理自动化决策工具 194
19.4　本章小结 196
第20章　利用机器学习预测事件及结果 197
20.1　机器学习是关于数据标记的技术 198
20.2　看看机器学习能够做什么 200
20.2.1　预测客户会购买什么 200
20.2.2　在被问之前回答问题 200
20.2.3　让决策更好更快 202
20.2.4　在商业中复制专业知识 203
20.3　利用你的能力做好事而不是作恶：机器学习伦理 204
20.4　梳理主流的机器学习工具 206
20.5　本章小结 208
第21章　构建人工智能系统 210
21.1　区分智能化和自动化 212
21.2　在深度学习中增加层 213
21.3　人工神经网络应用 214
21.3.1　将优质客户分类 215
21.3.2　商店布局推荐 216
21.3.3　分析及跟踪生物特征 217
21.4　梳理主流深度学习工具 218
21.5　本章小结 220