人工智能应用实践教程(Python实现慕课版人工智能人才培养新形态精品教材)

图书标准信息

• 作者 陈景强【等 编
• 出版社 人民邮电出版社
• 出版时间 2024-01
• 版次 1
• ISBN 9787115626585
• 定价 59.80元
• 装帧 其他
• 开本 16开
• 页数 244页
• 字数 371千字

【内容简介】

本书主要介绍主流的人工智能理论、算法以及python实现方法，目的是使学会人工智能理论及推导过程，并且掌握调用python人工智能库和自定义编码的方法。全书共分10章，分别为人工智能与python概述、python基础、线回归及其python实现、逻辑斯蒂分类及其python实现、优选熵模型及其python实现、k近邻分类与k均值聚类及其python实现、朴素贝叶斯分类及其python实现、决策树及其python实现、神经网络及其python实现、图像识别领域的应用案例。读者可登录“中国大学mooc”观看本书慕课。
本书可作为计算机专业相关课程的教材，也可作为程序设计人员的参书。

【作者简介】

陈景强 经历：担任语言程序设计a、面向对象程序设计及c、python语言程序设计、python编程及人工智能应用工作；担任贝尔学院语言程序设计a课程负责人、python编程及人工智能应用课程负责人。 科研经历：研究方向为自动摘要、自然语言处理、人工智能，以作者身份在emnlp、fgc等高水国际会议和期刊上发表文章7篇，主持并结题自然科学青年1项，主持并结题江苏省自然科学青年1项。

【目录】

章 人工智能与python概述 1

1.1 人工智能的起源与发展 1

1.2 人工智能的核心概念 3

1.2.1 人工智能的三大学派 3

1.2.2 强人工智能与弱人工智能 4

1.3 人工智能的分支领域 5

1.3.1 机器学与深度学 5

1.3.2 人工智能的应用分支领域 7

1.4 人工智能行业应用与人才需求 9

1.4.1 人工智能行业应用举例 9

1.4.2 人工智能人才需求 11

1.5 python与人工智能的关系 12

1.6 python人工智能开发环境安装 13

1.6.1 python的安装和运行 13

1.6.2 人工智能开发库的安装 15

1.6.3 python集成开发环境 16

1.6.4 anaconda 18

本章小结 19

课后题 19

第2章 python基础 21

2.1 基本语法 21

2.1.1 对象及其类型 21

2.1.2 变量和赋值 22

2.1.3 运算符和表达式 23

2.1.4 字符串 24

2.1.5 流程控制 26

2.2 组合数据类型 28

2.2.1 列表（list） 29

2.2.2 元组（tuple） 30

2.2.3 字典（dict） 31

2.2.4 集合（set和frozenset） 33

2.3 函数 34

2.3.1 函数的定义和调用 34

2.3.2 匿名函数与lambda关键字 35

2.4 异常处理和文件作 35

2.4.1 异常处理 35

2.4.2 文件处理的一般过程 36

2.4.3 文件的写作 36

2.4.4 文件的读作 37

2.5 面向对象程序设计 37

2.5.1 类和对象 37

2.5.2 类的继承 39

2.6 数值计算库numpy 39

2.6.1 numpy多维数组 39

2.6.2 numpy数组的索引和切片 44

2.6.3 numpy数组的运算 45

2.6.4 numpy数组的读写作 46

2.6.5 numpy中的数据统计与分析 47

本章小结 49

课后题 49

第3章 线回归及其python实现 53

3.1 线回归问题简介 53

3.2 单变量线回归问题 54

3.3 基于scikit-learn库求解单变量线回归 55

3.3.1 scikit-learn库的linearregression类说明 55

3.3.2 求解步骤与编程实现 56

3.3.3 基于scikit-learn库的模型评价 58

3.4 基于小二乘法的自定义求解单变量线回归 61

3.4.1 使用导数法求解 61

3.4.2 使用矩阵法求解 64

3.5 基于梯度下降法的自定义求解单变量线回归 65

3.5.1 简单二次函数的梯度下降法求极值 65

3.5.2 批量梯度下降法 67

3.5.3 梯度下降法 70

3.6 多变量线回归问题 71

3.6.1 基于scikit-learn库求解 72

3.6.2 基于小二乘法自定义求解 72

3.6.3 基于梯度下降法自定义求解 73

3.6.4 数据归一化问题 74

3.6.5 高阶拟合问题 75

本章小结 77

课后题 77

第4章 逻辑斯蒂分类及其python实现 79

4.1 逻辑斯蒂分类简介 79

4.2 二分类逻辑斯蒂分类问题 81

4.3 基于scikit-learn库求解二分类逻辑斯蒂分类问题 83

4.3.1 scikit-learn库的logisticregression类说明 83

4.3.2 求解步骤与编程实现 84

4.4 基于梯度下降法求解二分类逻辑斯蒂分类 86

4.4.1 确定优化目标 86

4.4.2 梯度计算 87

4.4.3 python编程实现 88

4.5 分类模型的评价 90

4.5.1 分类模型的评价方法 90

4.5.2 正确率、率、召回率和f1指数 90

4.5.3 roc曲线 93

4.6 非线分类问题 94

4.6.1 非线分类问题的提出与分析 94

4.6.2 基于scikit-learn库的求解实现 96

4.7 正则化问题 97

4.7.1 正则化问题的提出与分析 97

4.7.2 正则化问题的求解实现 98

4.8 多分类逻辑斯蒂分类 100

4.8.1 问题提出与分析 100

4.8.2 基于scikit-learn库的求解实现 101

4.8.3 基于梯度下降法的自定义求解实现 102

本章小结 103

课后题 103

第5章 优选熵模型及其python实现 105

5.1 优选熵模型简介 105

5.2 优选熵模型定义与对偶形式 106

5.2.1 优选熵模型的定义 106

5.2.2 优选熵模型的对偶形式 107

5.2.3 优选熵模型的应用举例 109

5.2.4 优选熵模型与softmax分类器 111

5.3 优选熵模型的优化算法及python实现 111

5.3.1 通用迭代尺度算法 111

5.3.2 基于gis算法的优选熵模型的python实现 112

5.3.3 改进的迭代尺度算法 115

5.3.4 基于iis算法的优选熵模型的python实现 117

5.4 熵相关指标结 119

本章小结 121

课后题 121

第6章 k-近邻分类与k-均值聚类及其python实现 122

6.1 “近邻”与分类和聚类 122

6.2 k-近邻分类 122

6.2.1 k-近邻分类的定义 122

6.2.2 自定义程序实现k-近邻分类算法 123

6.2.3 k-近邻分类模型的3个基本要素 125

6.2.4 基于scikit-learn库实现k-近邻分类算法 126

6.2.5 k-近邻分类算法的优缺点分析 127

6.3 k-均值聚类 129

6.3.1 k-均值聚类算法的定义 129

6.3.2 自定义程序实现k-均值聚类算法 130

6.3.3 基于scikit-learn库实现k-均值聚类算法 131

本章小结 132

课后题 132

第7章 朴素贝叶斯分类及其python实现 134

7.1 贝叶斯分类简介 134

7.2 朴素贝叶斯分类的定义、推导与建模 135

7.2.1 定义与推导 135

7.2.2 对房屋是否好预测案例的建模与计算 136

7.3 自定义程序实现朴素贝叶斯分类 138

7.3.1 建立特征矩阵 138

7.3.2 计算先验概率 138

7.3.3 进行预测 139

7.3.4 python编程实现 140

7.4 基于scikit-learn库实现朴素贝叶斯分类 141

7.4.1 scikit-learn库的multinomialnb类说明 141

7.4.2 求解步骤与编程实现 142

7.5 连续型特征值的朴素贝叶斯分类 143

7.5.1 问题定义与分析 143

7.5.2 基于scikit-learn库的gaussiannb类实现 145

本章小结 145

课后题 146

第8章 决策树及其python实现 148

8.1 决策树简介 148

8.2 id3决策树 149

8.2.1 id3决策树的基本 149

8.2.2 基于numpy库构建id3决策树 150

8.2.3 用id3决策树实现分类 156

8.3 cart决策树 157

8.3.1 cart决策树的基本 157

8.3.2 scikit-learn库的decisiontreeregressor类介绍 158

8.3.3 基于scikit-learn库构建cart决策树 159

8.3.4 用cart回归树实现预测 162

本章小结 163

课后题 164

第9章 神经网络及其python实现 166

9.1 神经网络简介 166

9.2 tensorflow 167

9.2.1 tensorflow简介 167

9.2.2 tensorflow 2.0的安装 168

9.2.3 tensorflow 2.0的张量 168

9.2.4 tensorflow 2.0的基本运算 169

9.2.5 tensorflow 2.0的自动微分和梯度计算 170

9.2.6 tensorflow 2.0的常用模块 171

9.3 keras 171

9.3.1 keras简介 171

9.3.2 keras的安装 172

9.3.3 keras的sequential模型 172

9.3.4 keras的model模型 173

9.4 全连接神经网络及其keras实现 174

9.4.1 全连接神经网络的基本 174

9.4.2 基于keras库构建全连接神经网络 176

9.4.3 基于keras库训练全连接神经网络 179

9.4.4 用全连接神经网络实现图像识别 181

9.5 全连接神经网络的自定义程序实现 182

9.5.1 全连接神经网络类的定义 182

9.5.2 激活函数和损失函数的定义 183

9.5.3 全连接神经网络模型的定义 184

9.5.4 训练函数的定义 185

9.5.5 测试函数的定义 186

9.5.6 主函数的定义 186

9.6 卷积神经网络及其tensorflow实现 187

9.6.1 卷积神经网络的基本 187

9.6.2 基于tensorflow库构建卷积神经网络 189

9.6.3 基于tensorflow库训练卷积神经网络 191

9.6.4 用卷积神经网络实现图像识别 193

9.7 卷积神经网络的alex编程实现 193

9.7.1 准备工作 194

9.7.2 alex类的定义 195

9.7.3 主函数的定义 196

本章小结 196

课后题 197

0章 图像识别领域的应用案例 198

10.1 图像识别问题简介 198

10.2 cifar10数据集 198

10.2.1 数据集简介 198

10.2.2 数据预处理和加载cifar10_reader.py 200

10.3 基于k-近邻分类的图像识别 203

10.3.1 问题分析 203

10.3.2 数据采样 203

10.3.3 数据间距离计算 204

10.3.4 实现k-近邻分类算法 206

10.3.5 用常规验证方法选取k值 207

10.3.6 用交验证法选取k值 208

10.4 基于逻辑斯蒂分类的图像识别 210

10.4.1 自定义程序实现图像识别 210

10.4.2 基于logisticregression类实现图像识别 211

10.5 基于优选熵模型的图像识别 212

10.5.1 softmax分类器 212

10.5.2 加载和预处理数据 214

10.5.3 实现图像识别 215

10.5.4 归一化方法的影响 217

10.6 基于朴素贝叶斯分类的图像识别 217

10.6.1 连续型特征值的朴素贝叶斯图像识别 217

10.6.2 离散型特征值的朴素贝叶斯图像识别 218

10.7 基于全连接神经网络的图像识别 220

10.7.1 基于keras实现全连接神经网络图像识别 220

10.7.2 自定义程序实现双层全连接神经网络 223

10.7.3 使用自定义twolayer类进行图像分类 226

10.8 基于卷积神经网络的图像识别 228

10.8.1 基于基础卷积神经网络实现图像识别 228

10.8.2 基于vgg实现图像识别 230

10.8.3 基于res实现图像识别 232

本章小结 236

课后题 236