人工智能实践教程――从Python入门到机器学习

图书标准信息

• 作者 邵一川 著
• 出版社 电子工业出版社
• 出版时间 2021-08
• 版次 1
• ISBN 9787121416606
• 定价 59.90元
• 装帧 平装
• 开本 16开
• 页数 320页
• 字数 512千字

【内容简介】

本书分为三部分，第一部分介绍Python编程，包括Python基础、Python面向对象和Python高级编程；第二部分介绍机器学习，包括机器学习概述、机器学习?经典算法和机器学习?回归算法；第三部分介绍神经网络，包括从感知机到神经网络、神经网络?反向传播算法、神经网络的训练方法、卷积神经网络和项目实例-表情识别。从模型构造到模型训练，本书全面介绍了人工智能相关内容及人工智能在计算机视觉、自然语言处理中的应用，不仅阐述算法原理，还基于Python语言实现了算法。本书的每个知识点都给出了与之对应的程序，读者不但能直接阅读，而且可以运行程序，以获得交互式的学习体验。本书面向希望了解人工智能，特别是对实际应用人工智能感兴趣的本科生、研究生、工程师和研究人员，可作为高等院校人工智能课程的教材。

【作者简介】

邵一川，东北大学博士后、沈阳大学副教授，辽宁省教育厅优秀人才、沈阳市拔尖人才，\"盛京人才奖励”获得者、美国普渡大学访问学者。近年来先后主持中国博士后面上基金，省博士启动基金、自然科学基金，省财政厅项目，省教育厅项目。等多项省市***别项目。参编教材多部，主持省教改立项\"成人教育远程网络教学系统”及多项校级教改立项。近年来承担\"通信网络程序设计”\"虚拟现实技术”\"大数据程序课程设计”\"能源技术”\"网络控制系统及应用”\"科学数据可视化”\"数据挖掘与数据仓库”等多门本科生、研究生课程。

【目录】

目录

第一部分  Python编程
第1章  Python基础3
1．1  Python简介及开发环境搭建3
1．1．1  Python的安装3
1．1．2  集成开发环境4
1．2  Python变量标识符和关键字7
1．2．1  变量定义7
1．2．2  变量的类型8
1．2．3  变量的命名11
1．3  Python运算符13
1．3．1  算术运算符13
1．3．2  比较（关系）运算符13
1．3．3  逻辑运算符14
1．3．4  赋值运算符14
1．3．5  运算符的优先级14
1．4  Python分支与循环15
1．4．1  条件语句15
1．4．2  循环语句17
1．4．3  随机数的处理21
1．5  Python函数22
1．5．1  函数定义23
1．5．2  函数的参数24
1．5．3  函数的返回值25
1．5．4  函数作用域26
1．5．5  匿名函数27
1．5．6  内置函数28
1．5．7  函数式编程31
1．5．8  将函数存储在模块中33
1．5．9  函数文档字符串35
第2章  Python面向对象36
2．1  面向对象基本特征36
2．2  类的定义37
2．2．1  定义只包含方法的类37
2．2．2  面向对象程序举例37
2．3  self参数37
2．3．1  给对象设置属性38
2．3．2  理解self参数到底是什么38
2．4  __init__方法38
2．5  __str__方法39
2．6  面向过程和面向对象40
2．7  私有属性DD封装43
2．8  将实例用作属性-对象组合43
2．9  类属性、类方法、静态方法46
2．10  继承49
2．11  __new__方法52
2．12  所有Python类型的父类53
2．13  单例模式54
2．14  参数注解54
第3章  Python高级编程56
3．1  Python闭包和装饰器56
3．1．1  闭包56
3．1．2  装饰器57
3．1．3  被装饰的函数有返回值60
3．1．4  装饰器带参数61
3．1．5  多个装饰器装饰同一个函数62
3．1．6  基于类实现的装饰器63
3．2  Python可迭代对象、迭代器及生成器64
3．2．1  可迭代对象65
3．2．2  迭代器68
3．2．3  生成器71
3．3  Python内置方法78
3．3．1  构造和初始化78
3．3．2  属性访问控制79
3．3．3  描述符79
3．3．4  构造自定义容器（Container）83
3．3．5  上下文管理器84
3．3．6  比较运算87
3．3．7  __str__和__repr__方法89
3．3．8  内置方法之__call__92
第二部分  机器学习
第4章  机器学习概述95
4．1  机器学习分类95
4．2  常用的机器学习算法96
4．3  机器学习的步骤97
4．3．1  问题定义97
4．3．2  数据采集98
4．3．3  数据准备98
4．3．4  数据分割99
4．3．5  算法的选择与训练99
4．3．6  算法的使用100
第5章  机器学习?经典算法110
5．1  主成分分析110
5．1．1  主成分分析简介110
5．1．2  使用梯度上升法实现主成分分析113
5．1．3  选取数据的前k个主成分117
5．1．4  高维数据向低维数据映射120
5．1．5  使用主成分分析对数据进行降维可视化125
5．2  K-Means算法128
5．2．1  K-Means算法原理129
5．2．2  K-Means程序实例131
5．2．3  MiniBatch算法133
5．2．4  K-Means 算法分析134
5．3  KNN算法138
5．3．1  KNN算法的原理138
5．3．2  KNN算法程序实例138
5．4  梯度下降法140
5．4．1  一维梯度下降法140
5．4．2  多维梯度下降法141
第6章  机器学习?回归算法144
6．1  线性回归144
6．1．1  线性回归简介144
6．1．2  简单线性回归的最小二乘法推导过程145
6．1．3  衡量线性回归的指标150
6．1．4  多元线性回归简介157
6．2 多项式回归161
6．2．1  多项式回归的概念161
6．2．2  scikit-learn中的多项式回归和Pipeline165
6．2．3  过拟合和欠拟合166
6．2．4  训练数据和测试数据170
6．2．5  学习曲线172
6．2．6  交叉验证175
6．2．7  模型正则化179
6．2．8  岭回归和 LASSO 回归179
第三部分  神经网络
第7章  从感知机到神经网络189
7．1  感知机189
7．1．1  简单逻辑电路190
7．1．2  感知机的实现191
7．1．3  感知机的局限性193
7．1．4  多层感知机195
7．2  神经网络197
7．2．1  神经网络举例197
7．2．2  感知机知识回顾197
7．2．3  激活函数初探198
7．3  激活函数199
7．3．1  阶跃函数199
7．3．2  Sigmoid函数199
7．3．3  阶跃函数的实现200
7．3．4  Sigmoid函数的实现201
7．3．5  比较Sigmoid函数和阶跃函数202
7．3．6  ReLU函数203
7．4  多维数组的运算204
7．4．1  多维数组204
7．4．2  矩阵乘法205
7．4．3  神经网络乘积207
7．5  神经网络的实现208
7．5．1  符号确认209
7．5．2  各层间信号传递的实现209
7．5．3  代码实现小结212
7．6  输出层的设计213
7．6．1  恒等函数和Softmax函数213
7．6．2  实现Softmax函数的注意事项214
7．6．3  Softmax函数的性质215
7．6．4  输出层的神经元数量216
7．7  手写数字识别216
7．7．1  MNIST数据集216
7．7．2  神经网络的推理处理218
7．7．3  批处理220
第8章  神经网络-反向传播算法222
8．1  计算图222
8．1．1  用计算图求解222
8．1．2  局部计算223
8．1．3  为何用计算图解决问题224
8．2  链式法则225
8．2．1  计算图的反向传播225
8．2．2  链式法则的原理225
8．2．3  链式法则和计算图226
8．3  反向传播227
8．3．1  加法节点的反向传播227
8．3．2  乘法节点的反向传播229
8．3．3  “苹果”的例子230
8．4  简单层的实现230
8．4．1  乘法层的实现231
8．4．2  加法层的实现232
8．5  激活函数层的实现233
8．5．1  ReLU层的实现233
8．5．2  Sigmoid层的实现234
8．6  Affine层和Softmax 层的实现237
8．6．1  Affine层的实现237
8．6．2  Softmax层的实现240
8．7  误差反向传播的实现242
8．7．1  神经网络的实现步骤242
8．7．2  误差反向传播的神经网络的实现242
8．7．3  误差反向传播的梯度确认245
8．7．4  误差反向传播的神经网络的学习246
第9章  神经网络的训练方法247
9．1  参数的更新247
9．1．1  最优化问题的困难之处247
9．1．2  随机梯度下降247
9．1．3  Momentum方法250
9．1．4  AdaGrad方法251
9．1．5  Adam方法253
9．1．6  选择参数更新方法253
9．2  权重初始值255
9．2．1  可以将权重初始值设为0吗255
9．2．2  隐藏层的激活值分布255
9．2．3  ReLU的权重初始值258
9．2．4  基于MNIST数据集的不同权重初始值的比较259
9．3  BatchNormalization算法260
9．3．1  算法原理260
9．3．2  算法评估261
9．4  正则化263
9．4．1  过拟合263
9．4．2  权重衰减264
9．4．3  Dropout方法265
9．5  超参数的验证267
9．5．1  验证数据267
9．5．2  超参数的最优化268
9．5．3  超参数最优化的实现269
第10章  卷积神经网络271
10．1  整体结构271
10．2  卷积层272
10．2．1  全连接层存在的问题272
10．2．2  卷积运算272
10．2．3  填充274
10．2．4  步幅275
10．2．5  3维数据的卷积运算276
10．2．6  批处理278
10．3  池化层279
10．4  卷积层和池化层的实现281
10．4．1  问题简化281
10．4．2  卷积层的实现283
10．4．3  池化层的实现284
10．5  卷积神经网络的实现286
10．6  卷积神经网络的可视化289
10．6．1  卷积层权重的可视化289
10．6．2  基于分层结构的信息提取290
10．7  具有代表性的卷积神经网络291
第11章  项目实例-表情识别293
11．1  典型的人脸表情识别数据集fer2013293
11．1．1  fer2013人脸表情数据集简介293
11．1．2  将表情图片提取出来294
11．2  加载fer2013数据集296
11．3  断点续训298
11．3．1  Checkpoint神经网络模型298
11．3．2  Checkpoint神经网络模型改进298
11．3．3  Checkpoint最佳神经网络模型300
11．3．4  加载Checkpoint神经网络模型301
11．4  表情识别的PyTorch实现303
11．4．1  数据整理303
11．4．2  简单分析304
11．4．3 数据增强处理     304
11．4．4  模型搭建305
11．4．5  对比几种模型的训练过程306