Python与人工智能应用技术

图书标准信息

• 作者 郭新
• 出版社 电子工业出版社
• 出版时间 2023-02
• 版次 1
• ISBN 9787121448560
• 定价 36.00元
• 装帧 其他
• 开本 16开
• 页数 172页
• 字数 289千字

【内容简介】

本书将人工智能的基础知识进行了系统化的介绍，从传统的机器学习的基础知识、经典算法到深度学习的网络模型、应用领域都进行了相应的介绍。 本书共分10个项目。项目1～项目7主要内容有认识人工智能、Python基础、机器学习基础、特征工程及应用、经典算法的实现、神经网络的构建和训练、手写数字识别；项目8～项目10主要内容是综合案例的实施，包括人脸识别、商品情感分析、车牌识别。本书将知识点进行拆解细化，用可视化的形式帮助读者理解抽象的知识点，并配有丰富的代码，在反复实践中理解、升华，理论与实践相结合，助力读者锻炼编程思维和提升编程能力。

【作者简介】

郭新，1984年9月出生，2013年毕业于华南理工大学系统工程专业。现任职于广东交通职业技术学院机电工程学院，主持或参与教科研项目10余项，发表论文10余篇，指导学生竞赛获奖4次。

【目录】

项目1  认识人工智能1

1.1  人工智能简介2

1.1.1  为什么要学人工智能2

1.1.2  人工智能的定义2

1.1.3  人工智能的技术目标3

1.1.4  人工智能的三次浪潮3

1.1.5  人工智能的不完美性5

1.2  人工智能、机器学习和深度学习5

1.3  人工智能的技术架构6

1.4  人工智能的应用场景6

1.5  人工智能的主要方向8

1.6  人工智能的主要算法8

1.6.1  机器学习8

1.6.2  深度学习9

1.7  人工智能相关的基础学习库与工具10

1.8  深度学习框架与平台11

1.9  人工智能简单要素12

1.9.1  训练和测试12

1.9.2  基于人工智能的编程和基于规则的编程12

课后习题14

项目2  Python基础17

2.1  Python安装18

2.2  Python基本知识21

2.2.1  基本运算21

2.2.2  变量22

2.2.3  表达式和语句22

2.2.4  类型23

2.2.5  数字类型23

2.2.6  字符串23

2.2.7  注释25

2.3  模块25

2.4  数据结构25

2.4.1  列表26

2.4.2  元组27

2.5  字典27

2.5.1  创建字典28

2.5.2  常见操作28

2.6  集合28

2.6.1  基本操作28

2.6.2  其他操作29

2.7  条件语句和循环语句30

2.7.1  条件语句30

2.7.2  循环语句30

2.8  函数31

2.8.1  规则31

2.8.2  语法31

2.8.3  Lambda函数32

2.9  Python面向对象的编程32

2.9.1  对象32

2.9.2  继承34

2.9.3  组合34

2.10  可视化35

2.10.1  绘制图形35

2.10.2  显示图像36

2.11  Python案例37

课后习题39

项目3  机器学习基础41

3.1  最小二乘法42

3.2  激活函数44

3.2.1  Sign函数45

3.2.2  Sigmoid函数45

3.2.3  Tanh函数46

3.2.4  ReLU函数47

3.3  损失函数48

3.3.1  0-1损失函数48

3.3.2  平方损失函数48

3.3.3  对数损失函数48

3.3.4  交叉熵损失函数49

3.3.5  对比损失函数49

3.4  梯度下降算法49

3.5  前向传播算法和反向传播算法50

3.5.1  前向传播算法50

3.5.2  反向传播算法51

3.6  学习率52

3.7  正则化53

3.7.1   正则化53

3.7.2   正则化53

3.8  欧氏距离和余弦相似度54

3.8.1  欧氏距离54

3.8.2  余弦相似度54

3.8.3  基于角度间隔的方法55

课后习题55

项目4  特征工程及应用57

4.1  特征工程的含义58

4.1.1  数据和数据处理58

4.1.2  特征工程58

4.1.3  特征工程的重要性59

4.1.4  特征的种类60

4.2  归一化和标准化60

4.2.1  归一化61

4.2.2  标准化62

4.3  模型存储和模型加载63

4.3.1  模型存储63

4.3.2  模型加载63

4.4  特征选择和降维63

4.4.1  特征值和特征向量63

4.4.2  奇异值和奇异值分解64

4.5  特征选择和特征转换65

4.5.1  PCA的含义65

4.5.2  PCA降维过程的代码实现方法68

4.5.3  LDA的含义72

4.5.4  LDA降维过程的代码实现方法72

4.6  Python参数搜索76

课后习题77

项目5  经典算法的实现78

5.1  KNN算法80

5.1.1  分类任务80

5.1.2  回归任务81

5.2  支持向量机82

5.2.1  支持向量机的基本原理83

5.2.2  参数优化84

5.2.3  核函数84

5.2.4  使用Scikit-Learn构建支持向量机85

5.3  逻辑回归85

5.3.1  确定假设函数85

5.3.2  构造损失函数86

5.3.3  最小化损失函数86

5.3.4  正则化86

5.3.5  代码实现87

5.4  线性回归87

5.4.1  一元线性回归87

5.4.2  损失函数88

5.4.3  优化方法88

5.5  朴素贝叶斯88

5.5.1  朴素贝叶斯算法的流程89

5.5.2  代码实现89

5.6  决策树90

5.6.1  ID3-最大信息增益91

5.6.2  C4.5-最大信息增益比91

5.6.3  CART-最大基尼系数92

5.6.4  代码实现92

5.7  随机森林93

5.7.1  随机森林算法的一般流程94

5.7.2  代码实现94

5.8  梯度提升决策树95

5.8.1  梯度提升决策树算法的一般流程95

5.8.2  梯度提升和梯度下降的区别95

5.8.3  梯度提升决策树算法的实现96

5.8.4  代码实现96

5.9  分类算法的评价指标97

5.9.1  混淆矩阵97

5.9.2  精确率98

5.9.3  召回率98

5.9.4  ROC98

5.10  回归算法的评价指标99

5.10.1  偏差和方差99

5.10.2  均方误差100

5.10.3  平均绝对误差100

5.10.4  R-squared100

课后习题101

项目6  神经网络的构建和训练102

6.1  神经元103

6.2  感知机的定义103

6.3  简单逻辑电路104

6.3.1  与门104

6.3.2  或门104

6.3.3  非门105

6.4  感知机的实现105

6.5  感知机的局限性106

6.6  多层感知机107

6.6.1  异或问题表示107

6.6.2  异或问题实现108

6.7  感知机的训练109

课后习题111

项目7  手写数字识别112

7.1  卷积神经网络与图像处理113

7.1.1  卷积神经网络113

7.1.2  卷积神经网络的实现117

7.2  深度神经网络127

7.2.1  LeNet128

7.2.2  AlexNet128

7.2.3  VGGNet129

7.2.4  ResNet130

7.3  手写数字识别案例131

7.3.1  数据集解压131

7.3.2  加载数据集并识别131

课后习题133

项目8  人脸识别135

8.1  人脸识别的流程136

8.2  人脸检测137

8.2.1  人脸检测的方法137

8.2.2  评价指标140

8.2.3  人脸检测部分代码141

8.3  人脸对齐141

8.3.1  人脸对齐的方法141

8.3.2  评价指标142

8.3.3  代码实现142

8.4  人脸表征143

8.4.1  人脸表征的方法144

8.4.2  评价指标144

8.5  人脸属性识别145

项目9  商品情感分析147

9.1  自然语言处理148

9.2  情感分析148

9.2.1  数据准备149

9.2.2  数据预处理149

9.2.3  商品情感识别150

项目10  车牌识别152

10.1  图像识别与预处理153

10.1.1  图像识别的流程153

10.1.2  图像预处理153

10.1.3  数字图像的预处理155

10.2  车牌检测与识别156

10.2.1  车牌检测的流程156

10.2.2  车牌识别的流程159