你的假期应用AI书单:想学好人工智能,从这6本书开始吧~
俗话说的好,读万卷书行万里路,假期的大好时间,怎么能不读点书呢?
如果你是一个想要了解如何在组织中使用人工智能,以及部署这一新兴技术的最佳方法的商业领袖或数据专业人士,接下来要介绍的这个书单就非常适合你在假期学习。
这几本书涵盖了应用人工智能在商业中的战略和实践。你从中能明白:
- 人工智能在不久的将来对企业意味着什么。
- 如何建立正确的团队来应用人工智能。
- 部署机器学习的最佳实践。
- 如何制定坚实战略将人工智能和机器学习融入企业。
- 人工智能应用的伦理和道德考虑。
1. DataSciencePlaybook《数据科学兵书》
柯克·伯恩&埃兹梅拉达·哈利勒·萨格尔
此书由数据科学咨询公司博思艾伦汉密尔顿集团出版,其中概述了其通过与许多公共和私营部门的企业合作确定的要素,并将其称为数据科学成功的“六个要素”。
这六个要素包括:
- 识别分析机遇。
- 如何更好地管控数据。
- 用于从数据中生成有用见解的分析技术。
- 如何建立和发展数据科学团队。
- 如何最好地使用新的和现有的技术来进行数据科学项目。
- 发展促进数据科学成功的企业文化——“Adapt-C”。
此书主要针对商业和数据科学领袖,且在书中提供了关于如何制定公司层面的数据科学战略问题的实际建议。
2. Human + Machine: ReimaginingWorkintheAgeofAI《人机结合:重塑人工智能时代的工作》
保罗R.道尔蒂&H.詹姆斯·威尔逊
这本书聚焦到人工智能不久的未来,以及其将如何影响各种业务流程的转变。作者讨论了他们如何看待公司部署人工智能解决方案以提高创新和盈利能力的行为。该书还提供了一个“领导者指南”,其中给出了五个关键原则,用以成为人工智能驱动的企业并实现公司绩效的提高。
此书对于商业领袖来说是一本人工智能的实用介绍手册,其中还解释了人工智能在不久的将来对商业和“人类”的意义。
3. MachineLearningYearning《机器学习秘籍》
吴恩达
吴恩达,被誉为站在“谷歌大脑”背后的男人,2018年发布了这本《机器学习秘籍》供大众免费阅读。他根据领导谷歌大脑团队的经验,介绍了一个将机器学习嵌入企业的框架。
此书包括如何制定机器学习策略,如何用正确的方法来测试机器学习模型,以及如何建立一个“超级英雄”团队。对于希望在企业中开始使用或扩展机器学习的数据科学家和商业领袖来说,这是必读书目。即使你已经将机器学习应用到企业中,从这本书中也能提供关于如何改进现有流程的提示。
4. RulesofMachineLearning《机器学习法则》
马丁·辛科维奇
由谷歌的一位研究科学家撰写的另一个可供免费下载的书籍,书中介绍了机器学习工程的最佳实践。这本书非常实用,适合商业领袖和数据科学家阅读。此书涵盖了从非常基本的原则开始实施机器学习的最佳实践,例如,机器学习只应在需要的地方出现。
这本书分为四个部分:
- 如何理解在实现机器学习(ML)之前需要具备的条件;
- 如何部署端到端的ML管道;
- 如何启动模型和迭代以获得性能改进;
- 当性能提升进入停滞期时该做些什么。
5. WeaponsofMathDestruction《数学毁灭性武器》
凯西·奥尼尔
人工智能的一个局限性是,尽管机器能够通过复杂的计算来学习数据模式,但它们仍然无法对自己的预测做出任何道德判断。随着企业开始将这项技术应用到业务流程中,考虑这些“自动决策”带来的道德影响是重要的。因此,我觉得在人工智能应用的推荐书单中,至少有一本道德相关的书,是至关重要的。
这本书强调了在将人工智能集成到企业中时一些最重要的伦理和道德考虑。作为一个业务领袖或数据实践者,这将为您考虑正在部署的模型的潜在影响提供很多思路。
6. PredictionMachines《预测机器》
阿杰·阿格拉瓦尔&阿维·戈德法布&乔舒亚·甘斯
这本书从市场,经济和管理专家的角度出发,旨在回答这样一个问题:“人工智能对我的业务意味着什么?”。作者认为,应将人工智能重新定义为“廉价预测”而不是“魔术”,且人工智能将为能够成功利用这项技术的企业提供经济优势。
这本书为商业领袖和战略专家提供了一个关于人工智能的现实视角,并介绍了一个实用的框架来帮助你理解关于这项技术需要了解的知识,以及它将如何影响你的业务。
图源:Unsplash
业界称,2020年将是人工智能(AI)的“现实检验年”。在未来的一年里,许多企业将从人工智能和机器学习试点计划转向为将人工智能完全嵌入企业打下基础。
IDC预测,到2022年,75%的企业将在其运营中嵌入智能自动化。
AI火成这样,如果一点都不了解,想必会受到周遭小伙伴们的“鄙夷”。所以,事不宜迟,赶紧在假期完成“上述书单”成就吧~


更多资讯推荐
- MIT提出Liquid机器学习系统,可像液体一样适应动态变化
-
麻省理工学院(MIT)的研究者开发出了一种新型的神经网络,其不仅能在训练阶段学习,而且还能持续不断地适应。
机器之心 · 2021-02-21 15:47:47
- 规划智慧城市时,别忘了无障碍通行
-
要想成为一个智慧城市甚至一个智慧世界,虽然可能需要时间和有针对性的规划,但我们必须以人为本。
蒙光伟 · 2021-02-21 10:26:41
- 2021关于人工智能的五大趋势
-
数字化变革,比过去10年更多,这主要是由于远程工作的规模,以及企业迅速部署了必要的技术,尤其是与网络安全相关的技术。那,2021关于人工智能的五大趋势会是如何的呢?
Lichu · 2021-02-21 10:21:01
- 使数据中心更智能:人工智能如何发挥作用?
-
随着数据成为维持几乎所有业务运营以获取洞察力和业务成果的先决条件,数据中心正处于这种数字化转型的关键。
Cassie · 2021-02-21 10:14:59
- IBM拟出售Watson Health后,AI医疗还能不能碰
-
医疗服务仍然是一块商业上尚未被完全发掘的市场,看病难/看病贵、医疗资源紧缺、医疗资源不平均等痛点问题长期存在,对应的市场空间理应是巨大的。而Watson Health作为IBM曾寄予厚望的业务方向,为何要在此时萌生退意?它的故事给业界带来哪些启发?眼下的AI医疗市场,究竟是一副什么样的局面呢?
物联传媒 · 2021-02-21 08:41:16
- 抛弃归一化,深度学习模型准确率却达到了前所未有的水平
-
我们知道,在传递给机器学习模型的数据中,我们需要对数据进行归一化(normalization)处理。
机器之心 · 2021-02-20 21:09:12
- 华人博士生首次尝试用两个Transformer构建一个GAN
-
最近,CV 研究者对 transformer 产生了极大的兴趣并取得了不少突破。这表明,transformer 有可能成为计算机视觉任务(如分类、检测和分割)的强大通用模型。
Yifan Jiang · 2021-02-20 21:04:53
- 无监督训练用堆叠自编码器是否落伍?ML博士对比了8个自编码器
-
柏林工业大学深度学习方向博士生 Tilman Krokotsch 在多项任务中对比了 8 种自编码器的性能。
Tilman Krokotsch · 2021-02-20 20:57:16