1  人工智能工作流
 人工智能不是万能的
 人工智能工作流
   确定问题特征
   检查清单
   开发方法
   检查清单
   设计部署策略
   检查清单
   设计并实现持续评估
   检查清单
 章节概述
 本章总结
2  规划云基础设施的蓝图
 问题、目标和业务用例
 方法：约束求解器
   OptaPlanner
 部署策略
 持续评估
 本章总结
3  有效利用反馈的蓝图
 问题、目标和业务用例
 方法：情感分析
 部署策略
   CoreNLP处理流水线
   Twitter API
   GATE平台
   Reddit API
   News API
   带有plotly.js和Dash的仪表板
 持续评估
   重新训练CoreNLP情感模型
 本章总结
4  推荐商品和服务的蓝图
 使用场景：隐性反馈
 基于内容的推荐
 协同过滤推荐
   BM25加权算法
   矩阵分解
 部署策略
 持续评估
   为BM25加权算法计算精确度和召回率
   在线评估推荐系统
 本章总结
5  在社交媒体中检测logo的蓝图
 机器学习的崛起
 目标和业务案例
 神经网络与深度学习
   深度学习
   卷积
   网络架构
   激励函数
 TensorFlow和Keras
 YOLO和Darknet
 持续评估
 本章总结
6  发现趋势和识别异常的蓝图
 技术概览
 发现线性趋势
   利用滑动窗口发现动态线性趋势
 发现周期性趋势
   ARIMA
   动态线性模型
 识别异常
   静态模型的z分数
   滑动窗口的z分数
   RPCA
   聚类
 部署策略
 本章总结
7  理解查询和生成响应的蓝图
 问题、目标和业务案例
   我们的方法
   Pokemon领域
   课程建议领域
 方法——自然语言处理+逻辑编程+自然语言生成
   使用Rasa进行自然语言处理
   使用Prolog和tuProlog进行逻辑编程
   Prolog的合一和消解
   通过tuProlog Java库使用Prolog
   Prolog中的Pok色mon
   使用ShnpleNLG进行自然语言生成
 第二个例子——大学课程建议
 持续评估
 本章总结
8  为未来做好准备并在炒作周期中生存下来
 始终领先一步
 事物的状态
   自然语言处理
   计算机视觉
   专家系统和业务规则
   规划与调度
   机器人
 了解人工智能的炒作周期
 下一个大事件
 本章总结