Python人工智能项目实战

图书标准信息

• 作者 [印度]桑塔努·帕塔纳亚克（Santanu Pattanayak） 著；魏兰、潘婉琼、方舒 译
• 出版社 机械工业出版社
• 出版时间 2019-10
• 版次 1
• ISBN 9787111637905
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 275页

【内容简介】

　　《Python人工智能项目实战》通过9个直观、有趣和生活息息相关的实际项目，详细介绍如何通过结合深度学习和增强学习构建智能而实用的人工智能系统，涉及的项目涵盖医疗健康、电子商务、专家系统、移动应用和自动驾驶等领域，使用的技术包括卷积神经网络、深度强化学习、基于LSTM的RNN、受限玻尔兹曼机、生成对抗网络、机器翻译和迁移学习。借助《Python人工智能项目实战》的理论知识，你将有能力建立自己的智能模型，轻松解决任何类型的人工智能问题。
　　《Python人工智能项目实战》共10章，第1章介绍构建人工智能系统的基础知识；第2章介绍如何使用迁移学习来检测人眼中的糖尿病性视网膜病变症状，并判断其严重程度；第3章介绍循环神经网络（RNN）架构的基础知识：第4章解释如何创建一个智能的Al模型：第5章讨论CNN和长短期记忆（LSTM）在视频字幕中的角色，以及视频字幕系统的构建；第6章讨论推荐系统；第7章解释机器学习如何向移动应用提供服务；第8章解释聊天机器人是如何进化的，以及使用聊天机器人的好处：第9章解释增强学习和Q学习；第10章讨论什么是CAPTCHA以及为什么我们需要CAPTCHA，并介绍如何使用对抗学习来生成CAPTCHA。
　　如果你想学习如何使用Python在多个领先的人工智能（Al）领域构建代表性项目，《Python人工智能项目实战》将是一个完美的指南。
　　《Python人工智能项目实战》介绍涉及AI所有核心应用方向的若干项目的详细实施过程。首先介绍使用机器学习和深度学习技术创建智能系统所需的基础知识，包括如何使用CNN、RNN、LSTM等神经网络架构，然后介绍如何在医疗领域使用迁移学习技术训练一个模型来检测人眼中的糖尿病性视网膜病变，接着介绍如何创建一个神经机器翻译系统以及如何使用GAN实现时尚风格的迁移，之后介绍如何构建一个能够为视频产生字幕的模型，以及如何构建基于AI的推荐系统、用于情感分析的移动应用程序和用于提供客户服务的聊天机器人，最后介绍使用增强学习培训和构造自动驾驶车辆，以及在网络安全领域实施AI技术来生成CAPTCHA。你将学习如何使用TensorFlow、Keras等Python库为机器学习、深度学习和AI提供核心支持。

【作者简介】

　　桑塔努·帕塔纳亚克（Santanu Pattanayak），高通公司研发部门的一名机器学习专家，著有一本深度学习图书《Pro Deep Learning with TensorFlow-A Mathematical Approach to Advanced Artificial Intelligence in Python》。他拥有12年的工作经验，在加入高通之前，曾在GE、Capgemini和IBM任职。他毕业于加尔各答贾达普大学（Jadavpur University）的电气工程专业，是一个狂热的数学爱好者。Santanu目前就读于海得拉巴的印度理工学院（Indian Institute of Technology，IIT），攻读数据科学硕士学位。在闲暇时间，他也参加Kaggle比赛，并且排名在前500以内。现在，他和妻子居住在班加罗尔。

【目录】

译者序
前言
作者简介
审校者简介

第1章 人工智能系统基础知识
1．1 神经网络
1．2 神经激活单元
1．2．1 线性激活单元
1．2．2 sigmoid激活单元
1．2．3 双曲正切激活函数
1．2．4 修正线性单元
1．2．5 softmax激活单元
1．3 用反向传播算法训练神经网络
1．4 卷积神经网络
1．5 循环神经网络
1．6 生成对抗网络
1．7 强化学习
1．7．1 Q学习
1．7．2 深度Q学习
1．8 迁移学习
1．9 受限玻尔兹曼机
1．1 0自编码器
1．1 1总结

第2章 迁移学习
2．1 技术要求
2．2 迁移学习简介
2．3 迁移学习和糖尿病视网膜病变检测
2．4 糖尿病视网膜病变数据集
2．5 定义损失函数
2．6 考虑类别不平衡问题
2．7 预处理图像
2．8 使用仿射变换生成额外数据
2．8．1 旋转
2．8．2 平移
2．8．3 缩放
2．8．4 反射
2．8．5 通过仿射变换生成额外的图像
2．9 网络架构
2．9．1 VGG16迁移学习网络
2．9．2 InceptionV3迁移学习网络
2．9．3 ResNet50迁移学习网络
2．10 优化器和初始学习率
2．11 交叉验证
2．12 基于验证对数损失的模型检查点
2．13 训练过程的Python实现
2．14 类别分类结果
2．15 在测试期间进行推断
2．16 使用回归而非类别分类
2．17 使用kerassequential工具类生成器
2．18 总结
……

第3章 神经机器翻译
第4章 基于GAN的时尚风格迁移
第5章 视频字幕应用
第6章 智能推荐系统
第7章 用于电影评论情感分析的移动应用程序
第8章 提供客户服务的AI聊天机器人
第9章 基于增强学习的无人驾驶
第10章 从深度学习的角度看CAPTCHA