Python人工智能

图书标准信息

• 作者 李晓东 著
• 出版社 电子工业出版社
• 出版时间 2021-06
• 版次 1
• ISBN 9787121413742
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 页数 400页

【内容简介】

本书以Python为平台，以将概念、实例和经典应用相结合的方式，介绍如何利用Python实现人工智能。全书分为9章，内容包括：人工智能的基础，人工智能背景下的科学计算，人工神经网络，迁移学习，网络爬虫，智能数据分析，机器学习，智能模型分析，人工智能的应用。为了帮助读者更好地掌握相关知识，书中每章节都通过理论与实例相结合的方式，让读者在掌握概念的同时，掌握程序设计方法，并能利用程序设计解决实际问题。

【作者简介】

李晓东，男。2001年毕业于广西师范大学，计算机应用硕士学位。现佛山科学技术学院电子信息工程学院计算机系副教授，系主任。主要研究方向：图像处理与分析、人工智能及智能算法等。主持和参与省部级项目5项、市厅级项目4项。主编著作/教材4部。获市级科技科技进步奖2项，通过省级成果鉴定4项。

【目录】

目    录
第1章  人工智能的基础1
1．1  由数学建模走进人工智能1
1．1．1  数学建模1
1．1．2  人工智能背后的数学4
1．2  为何用Python12
1．2．1  选择Python的原因12
1．2．2  Python的优势13
1．2．3  Python的安装13
1．2．4  使用pip安装第三方库16
1．2．5  Python的变量17
1．3  第一个小程序18
1．4  剖析程序19
1．5  NumPy入门23
1．5．1  NumPy的用法23
1．5．2  广播27
1．5．3  向量化与“升维”28
1．5．4  NumPy的应用思想31
第2章  人工智能背景下的科学计算32
2．1  Pandas科学计算库32
2．1．1  初识Pandas32
2．1．2  Pandas的相关操作34
2．2  Matplotlib可视化库48
2．2．1  初识Matplotlib48
2．2．2  Matplotlib经典应用51
2．3  SciPy科学计算库54
2．3．1  初识SciPy54
2．3．2  SciPy经典应用55
第3章  人工神经网络62
3．1  人工神经网络的概念62
3．1．1  神经元62
3．1．2  人工神经网络的基本特征64
3．2  神经激活函数64
3．2．1  线性激活函数65
3．2．2  Sigmoid激活函数65
3．2．3  双曲正切激活函数67
3．2．4  修正线性激活函数68
3．2．5  PReLU激活函数70
3．2．6  softmax激活函数71
3．3  反向传播73
3．4  卷积神经网络79
3．5  循环神经网络85
3．5．1  普通循环神经网络85
3．5．2  长短期记忆单元89
3．6  生成对抗网络93
3．7  强化学习99
3．7．1  Q学习100
3．7．2  Q学习经典应用101
3．7．3  深度Q学习106
3．7．4  形式化损失函数106
3．7．5  深度双Q学习107
3．7．6  深度Q学习的经典应用108
3．8  受限玻尔兹曼机123
3．8．1  RBM的架构123
3．8．2  RBM的经典实现124
3．9  自编码器128
3．9．1  自编码器的架构128
3．9．2  自编码器的经典实现129
第4章  迁移学习134
4．1  迁移学习概述134
4．2  VGG16实现图像风格转移135
4．3  糖尿病性视网膜病变检测142
4．3．1  病变数据集142
4．3．2  损失函数定义143
4．3．3  类别不平衡问题143
4．3．4  预处理144
4．3．5  仿射变换产生额外数据145
4．3．6  网络架构147
4．3．7  优化器与交叉验证150
4．3．8  Python实现151
第5章  网络爬虫159
5．1  初识爬虫159
5．2  爬虫入门160
5．2．1  入门基础160
5．2．2  爬虫实战162
5．3  高效率爬虫167
5．3．1  多进程167
5．3．2  多线程169
5．3．3  协程172
5．4  利用Scrapy实现爬虫174
5．4．1  安装Scrapy174
5．4．2  爬取招聘信息176
第6章  智能数据分析182
6．1  数据获取182
6．1．1  从键盘获取182
6．1．2  读取与写入182
6．1．3  Pandas读写操作185
6．2  枚举算法187
6．2．1  枚举定义187
6．2．2  枚举特点187
6．2．3  枚举经典应用188
6．3  递推问题189
6．4  模拟问题191
6．5  逻辑推理问题193
6．6  排序问题195
6．6．1  冒泡排序195
6．6．2  选择排序196
6．6．3  桶排序198
6．6．4  插入排序200
6．6．5  快速排序201
6．6．6  归并排序203
6．6．7  堆排序205
6．7  二分查找207
6．8  勾股树210
6．9  数据分析经典案例212
第7章  机器学习221
7．1  K-Means聚类算法221
7．1．1  K-Means聚类算法概述222
7．1．2  目标函数222
7．1．3  K-Means聚类算法流程222
7．1．4  K-Means聚类算法的优缺点223
7．1．5  K-Means聚类算法经典应用224
7．2  kNN算法226
7．2．1  kNN算法基本思想226
7．2．2  kNN算法的重点227
7．2．3  kNN算法经典应用228
7．3  朴素贝叶斯算法238
7．3．1  贝叶斯定理239
7．3．2  朴素贝叶斯分类原理239
7．3．3  朴素贝叶斯分类流程图240
7．3．4  朴素贝叶斯算法的优缺点240
7．3．5  朴素贝叶斯算法经典应用240
7．4  广义线性模型245
7．4．1  线性模型245
7．4．2  线性回归251
7．4．3  岭回归253
7．4．4  套索回归258
7．4．5  弹性网络回归261
7．5  决策树算法264
7．5．1  决策树算法概述264
7．5．2  经典算法264
7．5．3  决策树算法经典应用269
7．6  随机森林273
7．6．1  随机森林概述273
7．6．2  随机森林的构建274
7．6．3  随机森林的优势与不足276
7．7  支持向量机277
7．7．1  分类间隔277
7．7．2  函数间距279
7．7．3  几何间距279
7．7．4  核函数281
7．7．5  支持向量机核函数的实现284
7．7．6  核函数与参数选择286
7．8  数据预处理289
7．9  数据降维294
7．10  智能推荐系统298
7．10．1  推荐问题的描述298
7．10．2  协同过滤算法298
7．10．3  协同过滤算法的实现299
第8章  智能模型分析303
8．1  数据表达303
8．2  数据升维308
8．3  模型评估314
8．4  优化模型参数318
8．5  可信度评估322
8．6  管道模型326
8．7  选择和参数调优330
第9章  人工智能的应用334
9．1  机器翻译334
9．1．1  神经机器翻译334
9．1．2  实现英译德338
9．2  机器语音识别344
9．2．1  CTC算法概念344
9．2．2  RNN+CTC模型的训练345
9．2．3  利用CTC实现语音识别347
9．3  利用OpenCV实现人脸识别352
9．3．1  人脸检测352
9．3．2  检测视频的人脸353
9．3．3  车牌检测354
9．3．4  目标检测355
9．4  GAN风格迁移357
9．4．1  DiscoGAN的工作原理357
9．4．2  CycleGAN的工作原理358
9．4．3  预处理图像358
9．4．4  DiscoGAN生成器360
9．4．5  DiscoGAN判别器362
9．4．6  网络构建和损失函数的定义363
9．4．7  构建训练过程366
9．4．8  启动训练369
9．5  利用OpenCV 实现风格迁移372
9．6  聊天机器人373
9．6．1  聊天机器人架构374
9．6．2  序列到序列模型375
9．6．3  建立序列到序列模型375
9．6．4  实现聊天机器人376
9．7  餐饮菜单推荐引擎383
参考文献390