杨正洪，毕业于美国State University of New York at Stony Brook，在美国硅谷从事AI和大数据相关研发工作十余年，华中科技大学和中国地质大学客座教授，湖北省2013年海外引进人才，并拥有多项国家专利。杨正洪参与了大数据和人工智能的国家标准的制定，在2016年参与了公安部主导的“信息安全技术：大数据平台安全管理产品安全技术要求”的国家标准制定。杨正洪是中关村海外智库专家顾问和住建部中规院专家顾问，曾担任在美上市公司CTO、北京某国企CIO和上海某国企高级副总裁等职。多年从事人工智能与大数据技术的实践，出版了《智慧城市》《大数据技术入门》等多本畅销书。

第1章 人工智能概述
1.1 AI是什么
1.1.1 火热的AI
1.1.2 AI的驱动因素
1.2 AI技术的成熟度
1.2.1 视觉识别
1.2.2 自然语言理解
1.2.3 机器人
1.2.4 自动驾驶
1.2.5 机器学习
1.2.6 游戏
1.3 美国AI巨头分析
1.4 国内AI现状
1.5 AI与云计算和大数据的关系
1.6 AI技术路线
1.7 AI国家战略
1.8 AI的历史发展
第2章 AI产业
2.1 基础层
2.1.1 芯片产业
2.1.2 GPU
2.1.3 FPGA
2.1.4 ASIC
2.1.5 TPU
2.1.6 亚马逊的芯片
2.1.7 芯片产业小结
2.1.8 传感器
2.1.9 传感器小结
2.2 技术层
2.2.1 机器学习
2.2.2 语音识别与自然语言处理
2.2.3 计算机视觉
2.3 应用层
2.3.1 安防
2.3.2 金融
2.3.3 制造业
2.3.4 智能家居
2.3.5 医疗
2.3.6 自动驾驶
2.4 AI产业发展趋势分析
第3章 数 据
3.1 什么是大数据
3.1.1 大数据的特征
3.1.2 大数据的误区
3.1.3 大数据交易难点
3.1.4 大数据的来源
3.1.5 数据关联
3.1.6 大数据生产链
3.1.7 大数据怎么用
3.2 国内大数据现状
3.2.1 政策持续完善
3.2.2 技术和应用逐步落地
3.2.3 数据产生价值难
3.2.4 问题与机遇并存
3.3 大数据的计算模式
3.3.1 流式计算的应用场景
3.3.2 流式大数据的特征
3.3.3 流式计算关键技术
3.4 大数据技术
3.4.1 数据技术的演进
3.4.2 分布式计算系统概述
3.4.3 Hadoop
3.4.4 Spark
3.4.5 Storm系统
3.4.6 Kafka系统
3.4.7 各类技术平台比较
3.5 数据平台
3.5.1 数据存储和计算
3.5.2 数据质量
3.5.3 数据管理
3.5.4 数据目录
3.5.5 数据安全管控
3.5.6 数据准备
3.5.7 数据整合
3.5.8 数据服务
3.5.9 数据开发
3.5.10 数据平台总结
3.6 大数据的商用途径
3.6.1 数据化
3.6.2 算法化
3.6.3 应用化（产品化）
3.6.4 生态化
3.7 大数据产业
3.7.1 大数据产业界定
3.7.2 大数据技术发展的推动力
3.7.3 重点行业的大数据应用
3.7.4 大数据应用发展趋势
3.7.5 大数据的产业链构成分析
3.8 政府大数据案例分析
3.8.1 政府有哪些数据资源
3.8.2 政府大数据应用案例
3.8.3 政府大数据面临的挑战
3.8.4 政府大数据应用启示
第4章 机器学习概述
4.1 走进机器学习
4.1.1 什么是机器学习
4.1.2 机器学习的感性认识
4.1.3 机器学习的本质
4.1.4 对机器学习的全面认识
4.1.5 机器学习、深度学习与人工智能
4.1.6 机器学习、数据挖掘与数据分析
4.2 机器学习的基本概念
4.2.1 数据集、特征和标签
4.2.2 监督式学习和非监督式学习
4.2.3 强化学习和迁移学习
4.2.4 特征数据类型
4.2.5 训练集、验证集和测试集
4.2.6 机器学习的任务流程
4.3 数据预处理
4.3.1 探索性分析
4.3.2 数据清洗
4.3.3 特征工程
第5章 模 型
5.1 什么是模型
5.2 误差和MSE
5.3 模型的训练
5.3.1 模型与算法的区别
5.3.2 迭代法
5.4 梯度下降法
5.4.1 步长
5.4.2 优化步长
5.4.3 三类梯度下降法
5.4.4 梯度下降的详细算法
5.5 模型的拟合效果
5.5.1 欠拟合与过拟合
5.5.2 过拟合的处理方法
5.6 模型的评估与改进
5.6.1 机器学习模型的评估
5.6.2 机器学习算法与人类比较
5.6.3 改进策略
5.7 机器学习的实现框架
5.7.1 Python
5.7.2 scikit-learn
5.7.3 Spark MLlib
第6章 机器学习算法
6.1 算法概述
6.1.1 线性回归
6.1.2 逻辑回归
6.1.3 线性判别分析
6.1.4 分类与回归树分析
6.1.5 朴素贝叶斯
6.1.6 K最近邻算法
6.1.7 学习矢量量化
6.1.8 支持向量机
6.1.9 Bagging和随机森林
6.1.10 Boosting和AdaBoost
6.2 支持向量机算法
6.3 逻辑回归算法
6.4 KNN算法
6.4.1 超参数k
6.4.2 KNN实例：波士顿房价预测
6.4.3 算法评价
6.5 决策树算法
6.6 集成算法
6.6.1 集成算法简述
6.6.2 集成算法之Bagging
6.6.3 集成算法之Boosting
6.7 聚类算法
6.7.1 K均值聚类
6.7.2 均值漂移聚类
6.7.3 基于密度的聚类方法
6.7.4 用高斯混合模型的最大期望聚类
6.7.5 凝聚层次聚类
6.7.6 图团体检测
6.8 机器学习算法总结
第7章 深度学习
7.1 走

杨正洪、郭良越、刘玮著的《人工智能与大数据技术导论》全面讲述人工智能与大数据涉及的技术，学完本书后，读者将对人工智能技术有全面的理解，并能掌握AI整体知识架构。
本书共分16章，内容包括人工智能概述、AI产业、数据、机器学习概述、模型、机器学习算法、深度学习、TensorFlow、神经网络、知识图谱、数据挖掘，以及银行业、医疗、公安、工农业等行业人工智能应用情况。附录给出了极有参考价值的大数据与人工智能产业参考资料。
本书适合人工智能与大数据技术初学者、人工智能行业准从业人员、AI投资领域的技术专家阅读，也适合作为高等院校和培训学校人工智能相关专业师生的教学参考书。