認知計算攻略 使用Cognitive Services和TensorFlow

內容描述

讀者將：
● 使用Microsoft Cognitive Services API構建可用於生產環境的解決方案
● 解決自然語言處理和電腦視覺中的企業問題
● 探究機器學習開發生命周期——從正式的問題定義到規模化部署

目錄大綱

目    錄

第1章  使用認知服務實現AI民主化   1
1.1  AI民主化   3
1.1.1  機器學習庫   4
1.1.2  機器學習和深度學習目前的狀態   5
1.2  為人工智能構建業務用例   6
1.2.1  自然語言理解和生成   7
1.2.2  語音識別   7
1.2.3  認知數字助理   7
1.2.4  非結構化文本分析   8
1.2.5  決策管理   8
1.2.6  機器人流程自動化   8
1.3  機器學習的五大流派   8
1.4  Microsoft認知服務——概述   9
1.4.1  語音   11
1.4.2  語言   11
1.4.3  知識   11
1.4.4  搜索   11
1.5  人工智能的倫理規範   12
1.6  結語   13
第2章  構建對話式接口   15
2.1  對話式UI的組成部分   15
2.2  開始使用機器人框架   16
2.3  Bot Framework SDK示例   19
2.4  攻略2-1：構建YodaBot   21
2.4.1  問題   21
2.4.2  解決方案   21
2.4.3  運行機制   24
2.5  攻略2-2：使用Azure Bot Service創建機器人   29
2.5.1  問題   29
2.5.2  解決方案   29
2.5.3  運行機制   30
2.6  攻略2-3：構建一個問答機器人   35
2.6.1  問題   35
2.6.2  解決方案   35
2.6.3  運行機制   35
2.7  攻略2-4：數據中心健康監測機器人   42
2.7.1  問題   42
2.7.2  解決方案   43
2.7.3  運行機制   43
2.8  通過Resource Manager模板設置Azure部署   63
第3章  眼見為實：自定義視覺   69
3.1  熱狗，非熱狗   71
3.1.1  問題   71
3.1.2  解決方案   71
3.2  構建自定義視覺以訓練安防系統   77
3.2.1  問題   78
3.2.2  解決方案   78
3.3  使用認知服務電腦視覺API構建說明標註機器人   87
3.3.1  問題   87
3.3.2  解決方案   87
3.3.3  DAQUAR挑戰   101
3.4  使用CustomVision.AI研究冰箱   101
3.4.1  問題   101
3.4.2  解決方案   101
3.5  現在使用認知工具集研究冰箱   109
3.5.1  問題   109
3.5.2  解決方案   109
3.6  使用自定義視覺進行產品和部件識別   122
3.6.1  問題   122
3.6.2  解決方案   122
3.7  在CNTK中使用自定義視覺模型搜索服飾   141
3.7.1  問題   141
3.7.2  解決方案   141
第4章  文本分析：暗數據前沿   155
4.1  文本分析生態系統概覽   156
4.1.1  CoreNLP   156
4.1.2  NLTK——Python自然語言工具集   157
4.1.3  SpaCY   157
4.1.4  Gensim   158
4.1.5  Word2Vec   158
4.1.6  GloVe——詞表示的全局向量   159
4.1.7  DeepDive——功能，而非算法   159
4.1.8  Snorkel——用於快速訓練數據創建的系統   159
4.1.9  Fonduer——來自富格式化數據的知識庫構造   160
4.1.10  TextBlob——簡化文本處理   160
4.1.11  基於雲端的文本分析和API   160
4.2  索賠分類   161
4.2.1  問題   161
4.2.2  解決方案   161
4.2.3  運行機制   162
4.3  獲悉公司的健康狀況   169
4.3.1  問題   169
4.3.2  解決方案   169
4.3.3  運行機制   170
4.4  文本自動摘要   175
4.4.1  問題   175
4.4.2  解決方案   175
4.4.3  運行機制   181
第5章  認知機器人技術處理自動化：自動執行   183
5.1  從音頻中提取意圖   185
5.1.1  問題   185
5.1.2  解決方案   185
5.1.3  運行機制   186
5.1.4  創建一個LUIS端點   186
5.1.5  創建LUIS應用並且針對用戶話語進行訓練   188
5.1.6  在Visual Studio 2017中編寫控制台應用的代碼   195
5.2  用於自動化技術支持工單生成的電子郵件分類和分發   203
5.2.1  問題   203
5.2.2  解決方案   203
5.2.3  運行機制   204
5.3  異常檢測：欺詐性信用卡交易案例   215
5.3.1  問題   215
5.3.2  解決方案   215
5.3.3  運行機制   215
5.4  大海撈針：時序中的交叉相關性   220
5.4.1  問題   220
5.4.2  解決方案   220
5.4.3  運行機制   220
5.5  理解交易模式：對於能源的需求預測   226
5.5.1  問題   226
5.5.2  解決方案   226
5.5.3  運行機制   227
第6章  知識管理和智能搜索   233
6.1  探究Azure Search索引處理   236
6.1.1  問題   236
6.1.2  解決方案   236
6.1.3  運行機制   238
6.2  使用LUIS進行自然語言搜索   239
6.2.1  問題   239
6.2.2  解決方案   239
6.2.3  運行機制   240
6.3  實現實體搜索   264
6.3.1  問題   264
6.3.2  解決方案   264
6.3.3  運行機制   265
6.4  獲取論文摘要   268
6.4.1  問題   268
6.4.2  解決方案   268
6.4.3  運行機制   269
6.5  在文本分析中識別連接實體   273
6.5.1  問題   273
6.5.2  解決方案   273
6.5.3  運行機制   273
6.6  應用認知型搜索   275
6.6.1  問題   275
6.6.2  解決方案   275
6.6.3  創建一個存儲   277
6.6.4  上傳數據集   278
第7章  AIOps：運維中的預測分析與機器學習   285
7.1  使用Grakn構建知識圖譜   286
7.1.1  問題   286
7.1.2  解決方案   287
7.1.3  運行機制   287
7.2  使用Cognitive Services Labs Project Anomaly Finder檢測異常   296
7.2.1  問題   296
7.2.2  解決方案   297
7.2.3  運行機制   297
第8章  行業中的AI用例   305
8.1  金融服務   305
8.2  手機詐騙檢測   305
8.2.1  問題   305
8.2.2  解決方案   305
8.3  在途資金優化   306
8.3.1  問題   306
8.3.2  解決方案   307
8.4  事故傾向性預測(保險)   307
8.4.1  問題   307
8.4.2  解決方案   307
8.5  醫療健康   307
8.6  精確診斷和病患治療結果預測   309
8.6.1  問題   309
8.6.2  解決方案   309
8.7  醫院再入院預測和預防   309
8.7.1  問題   309
8.7.2  解決方案   309
8.8  汽車工業和製造業   310
8.9  預測式維護   311
8.9.1  問題   311
8.9.2  解決方案   311
8.10  零售業   311
8.11  個性化零售實體店體驗   311
8.11.1  問題   311
8.11.2  解決方案   312
8.12  快餐式汽車餐廳自動化問題   313
8.12.1  問題   313
8.12.2  解決方案   313
8.13  結語   315
附錄A  公共數據集&深度學習模型倉庫   317