本书从基础知识入手，详细讲解通过强化学习和深度学习构建AI系统所需的一切，并通过5个完整的项目实例，循序渐进展示如何使用最佳、最简单的AI编程工具（包括Python、TensorFlow、Keras和PyTorch）构建智能软件。具体内容包括AI工具包、Python基础、AI基础技巧、你的第一个AI模型、销售和广告中的AI、Q学习、物流行业中的AI、人工大脑、自动驾驶车辆中的AI、商业中的AI、深度卷积Q学习、游戏中的AI。
无
数据科学家们和AI研究爱好者们，你们好！多年以来，我一直在开发关于人工智能（AI）的在线课程，取得了很大的成功，并且对AI社区做出了不小的贡献。然而，它们还缺少一个至关重要的东西。在某一刻，这些人工智能课程是如此之多，以致我的大部分学生都来寻求有关如何学习这些课程的指导。与其将学习这些课程的顺序一一列出，不如撰写一本关于AI的、面面俱到的指南。这本书包含了完美的知识结构、最好的解释，还有来自我以往课程的实用案例。
如你所见，我的目标是使AI大众化，使所有人都意识到AI不是一门遥不可及的技术，并且它能为世界带来更好的改变。我尽我所能地在世界上传播这样的知识，让人们为21世纪将出现的新职业和新机遇做好准备。我相信很多人会觉得用一本能随时携带的、面面俱到的书学习AI，要远比学习几十门很难厘清头绪的网络课程更加高效。虽说如此，对于那些更热衷于网络课程的人们来说，本书仍是一个相当不错的补充。
我单纯地期望越来越多的人能通过本书——这一网络课程之外的高效之选，以正确的方式学习AI。将我之前网络课程中的精华浓缩进一本简单易懂的书是一个不小的挑战。事实证明，我成功地完成了这一挑战，所以今天我欣喜地将它分享给你。
我由衷地希望它能帮助更多的人找到他们梦想中的工作，在数据科学和人工智能领域拥有一个美好的前程，并且为21世纪的这些严峻挑战带来漂亮的解决方案。
本书的目标读者
●任何对机器学习、深度学习或AI感兴趣的人。
●对编程不那么擅长，但对AI感兴趣而且希望用它来解决现实问题的人。
●未来希望就职于数据科学与AI领域的大学生。
●想在AI领域进阶的数据分析师。
●任何不满足于当前工作，想要迈出自己数据科学生涯第一步的人。
●想用强大的AI工具提升商业价值的企业所有人。
●渴望学习如何利用AI来优化业务、最大化利润并且提升效率的企业家。
●想知道能给员工提供什么工程项目的AI行业从业者。
●有志成为数据科学家，并寻求商业案例来丰富个人档案的人。
●想利用机器学习和AI解决商业问题的技术爱好者。
●想帮助公司转型成AI驱动的咨询师。
●至少具有高中水平数学知识，且对AI感兴趣的学生。
本书主要内容
●第1章介绍人工智能的世界。
●第2章发掘一个由Python文件组成的、易用的、可在谷歌Colaboratory平台直接运行的AI模型工具包。
●第3章提供恰当的Python语言基础知识，并教你如何使用Python编程。
●第4章介绍强化学习及其五大基本原则。
●第5章讲解多臂老虎机问题的相关理论，以及如何通过汤普森采样AI模型找到最佳解决方案。
●第6章利用第5章的汤普森采样AI模型解决一个现实中关于销售和打广告的商业问题。
●第7章介绍Q学习AI模型的相关理论。
●第8章利用第7章中的Q学习AI模型解决一个现实中关于物流优化的商业问题。
●第9章介绍深度学习的基础知识和深度Q学习AI模型。
●第10章利用第9章中的深度Q学习AI模型构建一辆虚拟的自动驾驶汽车。
●第11章利用第9章中的深度Q学习AI模型解决一个现实中关于成本优化的商业问题。
●第12章介绍卷积神经网络的基础知识和深度卷积Q学习AI模型。
●第13章利用第12章中的深度卷积Q学习AI模型通关著名的《贪吃蛇》（Snake）游戏。
●第14章回顾如何创建一个AI框架，还包含作者对你的AI世界前程的一些叮嘱。
充分利用本书
●在开始之前你并不需要懂太多，本书包含了对理解AI模型所需的全部预备知识的快速回顾。如果你有需要的话，本书还有一整章讲解Python基础，帮助你学习如何用Python编程。
●我建议你在阅读本书的同时，保持搜索引擎打开，这样你可以随时访问书中列出的链接资源，以及更详细地了解本书提及的AI模型背后的数学概念。
下载示例代码及彩色图像
本书的示例代码及所有截图和示意图，可以从http://www.packtpub.com通过个人账号下载，也可以访问华章图书官网http://www.hzbook.com，通过注册并登录个人账号下载。
下载好文件之后，请确保用以下软件的最新版对文件解压缩：
●WinRAR/7-Zip——Windows
●Zipeg/iZip/UnRarX——Mac
●7-Zip/PeaZip——Linux
你还可以通过Github链接https://github.com/PacktPublishing/AI-Crash-Course找到本书的代码。
本书中的截图和示意图的PDF文件还可以在https://static.packt-cdn.com/downloads/9781838645359_ColorImages.pdf下载。
计算机\人工智能
“Hadelin的书充满顶尖的人工智能技术和众多具有现实意义的实际案例。这本书对于想成为行业顶尖的人工智能与数据科学从业者而言是不二之选。”
—— Kirill Eremenko SuperDataScience公司CEO
“本书以通俗易懂的方式，为广大读者详细地讲解了人工智能的概念。书中的示例非常实用，对示例的讲解也非常清晰。本书是想进入人工智能行业的人工智能爱好者的必备读物。”
—— Randy Lao CloudML公司创始人兼CEO，数据科学讲师与意见领袖
“这是一本让人不舍得放下的好书，它清晰地讲解了人工智能的原理。我非常享受阅读它的过程，同时希望你也来读一读它！”
—— Tarry Singh deepkapha.ai公司主席兼CEO，人工智能意见领袖
通过阅读本书，你将：
从零起步掌握人工智能的基础知识。
构建有趣的项目，包括虚拟的自动驾驶汽车和仓库机器人。
使用AI解决实际商业问题。
学习如何用Python编程。
探索强化学习的5大基本原理。
创建你的专属AI工具包。
[阿联酋] 赫德林·德·庞特维斯（Hadelin de Ponteves） 著：赫德林·德·庞特维斯（Hadelin de Ponteves）是BlueLife AI的联合创始人兼首席执行官，该公司利用前沿人工智能技术，通过优化流程、最大化效率和提高盈利能力，使企业获得巨额利润。他还是一位在线企业家，创建了50多个口碑极好的在线教育课程，内容涵盖机器学习、深度学习、人工智能和区块链等主题，在204个国家/地区拥有700000多个订阅者。
今天的人们可能很难想象，1950年的加拿大人是如何在加拿大多伦多举行的国家展览会上排着长队，等待和会下井字棋的人工智能（AI）机器“大脑伯蒂”（Bertie the Brain）进行博弈的。“大脑伯蒂”是人类发明的第一台在屏幕上有视觉展示的电子游戏机器，也是最早的能和人对弈并打得有来有回的人工智能产品。光阴荏苒，“大脑伯蒂”也许早已被人们遗忘，但它的继承者们仍延续着人工智能的辉煌。1997年，IBM研发的超级计算机“深蓝”，以一局的微弱优势击败俄罗斯国际象棋冠军卡斯帕罗夫，成为第一台在标准赛制内击败国际象棋世界冠军的计算机。2016年，谷歌DeepMind团队开发的AlphaGo以四胜一败的成绩击败韩国职业九段棋士李世石，从此在围棋世界独孤求败。从“大脑伯蒂”到AlphaGo，人工智能发生了翻天覆地的变化。如果说1950年“大脑伯蒂”以真空管硬件和简单算法为载体实现的人工智能相当于还在蹒跚学步的人类婴儿，1997年“深蓝”以超级计算机的算力和枚举分析为支撑实现的人工智能相当于开始奔跑的人类青年，那么AlphaGo用深度神经网络、强化学习和分布式计算实现的人工智能无疑已经学会飞翔了。
在从“大脑伯蒂”到AlphaGo的近七十年中，人工智能的教育与应用也发生了根本性的变化。它从只有象牙塔中少数专家才有机会接触到的艰深研究领域，演变为21世纪几乎人人都应该了解甚至学习的基础知识。在不知不觉中，它的影响力已经遍及社会的每一个角落，小到生活中一个快递包裹的路线规划，大到影响数十亿人的搜索引擎和自动驾驶，它几乎无处不在。正如本书作者所说，它已经影响且将继续影响能源、医疗、物流、教育、安全、就业、娱乐和商业等诸多领域的方方面面。在各大领域实际需求的驱动下，人工智能的应用技术必将变得更易学、更易用并且更大众化。这也意味着相应的教育媒介——无论是在线教育还是纸质书籍的内容都会变得更加切合实际需求。尤其是对于人工智能领域的入门教育资源而言，不应该只停留在纸上谈兵，而应在讲解理论的同时，辅以具有现实意义的案例，甚至配上可修改、可运行、可互动的人工智能程序。
值得庆幸的是，本书恰恰是这样一本理论与实践兼备的书。与很多“百科全书式”的人工智能书籍不同，本书并没有将人工智能涉及的各类模型、算法与术语平铺在一张庞大的知识地图上，然后带着读者一个一个地遍览地图上的每个景点。与此相反，本书从这张地图上规划出一条目的明确、路线清晰的道路。沿着这条道路，读者虽然不一定能看清人工智能和其子领域——机器学习的全貌，但是一定能深刻体会到机器学习，尤其是强化学习和深度神经网络这两个子领域为什么如此重要，以及如何将相关技术应用到物流、能源、自动驾驶，甚至游戏领域。从最初的汤普森采样模型，到Q学习模型，再到深度Q学习模型，直到最后的深度卷积Q学习模型，作者循序渐进地带领读者逐步迈向更复杂的机器学习理论与编程知识，直至最后到达上述应用领域对应的目的地。
还有一点与很多人工智能书籍不同，本书的用语非常平实直接，并且使用了一种近乎“朴素”的“3+1”式叙述方法。这里的“3”指的是介绍一个人工智能模型共分三步：第一步永远是简短地描述模型；第二步是讲解模型背后的基础数学理论；最后一步是用Python编程语言实现模型。“+1”是指，在对模型进行过上述三步讲解后，会再针对一个实际商业案例，更具体地定义问题，并用Python编程语言为其实现一个实际可用的模型。之所以这么做，是因为作者非常重视建立对知识的直觉认知，并将这视为建立理论认知的基石。除此之外，本书的一大特点是在某些概念细节上的刻意重复，尤其是穿插在各章节间的回顾内容。这可能和作者作为在线教育平台导师的丰富经验有关。正如作者所说，事实证明“回顾总是有益的”。
本书尽管篇幅不长，但涉及很多人工智能领域常用的工具。比如Python编程语言、TensorFlow机器学习平台的Keras API以及PyTorch框架。在使用这些工具时，作者几乎对每一行代码都配有讲解，并详细地解释了线上运行代码和本地运行的不同。对于零编程经验的读者而言，这无疑是个好消息。同时，对于有一定编程经验，并且立志成为人工智能行业从业者的读者而言，这也有助于丰富其对不同平台及工具的使用经验。
和“大脑伯蒂”的时代相比，今天的我们已经朝人工智能真正的普及迈出了一大步。正如本书中展示的，用Python编程语言和Keras API可以用寥寥数行代码创建一个深度神经网络。同时，云计算平台的发展，以及计算机硬件（例如神经网络芯片）的进步，使模型可以使用远超1997年“深蓝”的超级计算机的算力进行学习。然而，我们要解决的问题也变得更为复杂。能源、医疗、物流、安全等领域比以往任何时候都更需要智能的解决方案。阅读完本书后，希望你能如作者所说：选择一个最能与自己产生共鸣的领域，并为其做出自己的贡献！
程泽
2020年春于成都
译者序
前言
作者简介
审校者简介
第1章 欢迎来到机器人世界1
1.1 开始你的AI旅程1
1.2 四种不同的AI模型2
1.3 学习AI可以让你做什么3
1.4 小结5
第2章 探索你的AI工具包6
2.1 GitHub源代码页面6
2.2 Colaboratory 运行环境7
2.3 小结11
第3章 Python基础——学习如何用Python编程12
3.1 显示文本13
3.2 变量和操作13
3.3 列表和数组14
3.4 if语句和条件16
3.5 for循环和while循环17
3.6 函数21
3.7 类和对象22
3.8 小结24
第4章 AI基础技巧25
4.1 什么是强化学习25
4.2 强化学习的五大原理26
4.2.1 原理#1——输入与输出系统26
4.2.2 原理#2——奖励27
4.2.3 原理#3——AI环境27
4.2.4 原理#4——马尔可夫决策过程28
4.2.5 原理#5——训练与推断28
4.3 小结30
第5章 你的第一个AI模型——小心老虎机31
5.1 多臂老虎机问题31
5.2 汤普森采样模型32
5.2.1 模型编程32
5.2.2 理解模型36
5.2.3 什么是分布37
5.2.4 应对多臂老虎机问题39
5.2.5 汤普森采样策略三步走41
5.2.6 汤普森采样模型的临门一脚42
5.2.7 汤普森采样模型与标准模型42
5.3 小结44
第6章 销售和广告中的AI——像“AI街之狼”一样销售45
6.1 待解决的问题45
6.2 用仿真构建AI环境47
6.2.1 运行仿真程序48
6.2.2 回顾50
6.3 AI解决方案及其直觉的回顾50
6.3.1 AI解决方案51
6.3.2 直觉51
6.4 技术实现52
6.4.1 汤普森采样与随机策略选择52
6.4.2 开始编程52
6.4.3 最终结果57
6.5 小结58
第7章 欢迎来到Q学习59
7.1 迷宫59
7.1.1 第一步60
7.1.2 构建环境61
7.1.3 构建AI模型64
7.2 Q学习的完整流程66
7.2.1 训练模式66
7.2.2 推断模式67
7.3 小结67
第8章 物流行业中的AI——仓库中的机器人68
8.1 构建环境69
8.1.1 状态70
8.1.2 行为70
8.1.3 奖励70
8.1.4 AI解决方案回顾70
8.2 技术实现71
8.2.1 第1部分——构建环境72
8.2.2 第2部分——用Q学习构建AI解决方案74
8.2.3 第3部分——进入推断模式75
8.2.4 改进1——自动化奖励分配77
8.2.5 改进2——加入一个中间目标80
8.3 小结82
第9章 人工大脑——深度Q学习83
9.1 预测房价83
9.1.1 上传数据集84
9.1.2 导入依赖库85
9.1.3 排除变量86
9.1.4 准备数据87
9.1.5 构建神经网络90
9.1.6 训练神经网络91
9.1.7 展示结果91
9.2 深度学习理论92
9.2.1 神经元92
9.2.2 激活函数95
9.2.3 神经网络的工作原理98
9.2.4 神经网络如何学习98
9.2.5 正向传播算法和反向传播算法99
9.2.6 梯度下降算法100
9.3 深度Q学习106
9.3.1 归一化指数方法107
9.3.2 深度Q学习回顾108
9.3.3 经验回放109
9.3.4 深度Q学习的完整算法109
9.4 小结110
第10章 自动驾驶汽车中的AI——造一辆自动驾驶汽车111
10.1 构建环境111
10.1.1 设定目标113
10.1.2 设置参数116
10.1.3 输入状态118
10.1.4 输出行为119
10.1.5 奖励120
10.2 AI解决方案回顾122
10.3 技术实现123
10.3.1 第1步——导入依赖库123
10.3.2 第2步——创造神经网络的架构124
10.3.3 第3步——实现经验回放127
10.3.4 第4步——实现深度Q学习130
10.4 演示138
10.4.1 安装Anaconda139
10.4.2 用Python 3.6创建一个虚拟环境140
10.4.3 安装PyTorch142
10.4.4 安装Kivy143
10.5 小结151
第11章 商业中的AI——用深度Q学习使成本最小化152
11.1 要解决的问题152
11.2 构建环境153
11.2.1 服务器环境中的常量和变量153
11.2.2 关于服务器环境的假设154
11.2.3 仿真155
11.2.4 整体功能156
11.2.5 定义状态157
11.2.6 定义行为158
11.2.7 定义奖励158
11.2.8 最后的仿真示例159
11.3 AI解决方案161
11.3.1 大脑162
11.3.2 技术实现163
11.4 演示191
11.5 回顾——通用AI框架/蓝图199
11.6 小结200
第12章 深度卷积Q学习201
12.1 CNN有什么用途201
12.2 CNN的工作原理202
12.2.1 第1步——卷积204
12.2.2 第2步——最大池化206
12.2.3 第3步——扁平化209
12.2.4 第4步——全连接210
12.3 深度卷积Q学习211
12.4 小结212
第13章 游戏中的AI——成为《贪吃蛇》大师213
13.1 要解决的问题213
13.2 构建环境214
13.2.1 定义状态214
13.2.2 定义行为215
13.2.3 定义奖励216
13.3 AI解决方案216
13.3.1 大脑217
13.3.2 经验回放记忆218
13.4 技术实现219
13.4.1 第1步——构建环境219
13.4.2 第2步——构建大脑226
13.4.3 第3步——构建经验回放记忆228
13.4.4 第4步——训练AI模型230
13.4.5 第5步——测试AI模型235
13.5 演示237
13.5.1 安装237
13.5.2 结果242
13.6 小结243
第14章 回顾与总结244
14.1 回顾——整体AI框架/蓝图244
14.2 探索你在AI领域的下一站245
14.2.1 不断练习246
14.2.2 社交247
14.2.3 学无止境247
