Python人工智能基础9787563566549

孙成立，男，1975 年3 月出生。教授，博士，硕士生导师，南昌航空大学电子信息工程专业负责人，中国电子学会华中地区EDA技术研究会常务理事。北京邮电大学信号与信息处理专业博士，哈尔滨工业大学深圳研究生院博士后，英国谢菲尔德大学访问学者。主要研究方向包括基于深度学习的语音识别、语音增强、声学场景分析方法理论与应用。

绪论·第1章 Python基础1.1开发环境、Python基础知识1.1.1开发环境1.1.2 Python基础知识…1.2列表、元组、字典、集合1.3模块和函数1.4科学计算库NumPy1.5数据分析工具Pandas1.6数据可视化·1.7 面向对象编程、Python的GUI程序设计及Python的数据库编程第2章模型评估与选择2.1模型的评估方法…2.2性能度量的方法…2.3模型的选择与常见模型的优缺点第3章K近邻算法3.1K近邻算法简介3.2K近邻算法API初步使用3.3距离度量…3.4K值的选择

3.5KNN算法的特点及优势与劣势3.6案例・

第4章线性回归

4.1线性回归简介及数学求导

4.2线性回归API初步使用

4.3线性回归的损失和优化

4.4 梯度下降法介绍

4.5欠拟合与过拟合4.6案例第5章逻辑回归…5.1逻辑回归算法简介5.2逻辑回归API的初步使用5.3案例及分类评估方法5.4 ROC曲线绘制…第6章 决策树…6.1决策树算法简介6.2决策树分类原理6.3CART剪枝6.4特征工程及特征提取6.5决策树算法API的初步使用6.6案例第7章 支持向量机7.1 SVM算法简介及SVM算法API的初步使用…7.1.1基本概念7.1.2 SVM算法API的初步使用7.2 SVM算法原理…7.3SVM算法的损失函数7.4SVM算法的核函数…7.5SVM回归・7.6案例第8章朴素贝叶斯分类器…8.1朴素贝叶斯算法简介8.2概率知识8.3拉普拉斯估计法8.4案例第9章集成学习9.1不存在强依赖，可同时生成的并行方法…9.2个体学习器有强依赖，串行生成序列方法9.2.1XGBoost集成学习算法的工作原理9.2.2停止分裂条件判断·9.2.3XGBoost解决过拟合的问题

9.3XGBoost集成学习算法API初步实验·9.4案例第10章降维算法10.1理解降维的目的和常见的方法10.2线性判别分析法…10.3主成分分析法·10.4案例…第11章聚类11.1无监督学习、监督学习、半监督学习…11.2聚类算法简介及聚类算法API函数的初步使用11.3聚类算法实现流程…

11.4案例…

第12章神经网络和深度学习

12.1神经网络概念

12.2神经网络结构、激活函数

12.3神经网络求解遇到的问题

12.4深度学习基础…参考文献附录 Python安装指南

1.人工智能的基本概念、智能的特征、人工智能的发展历史人工智能(Artificial Intelligence,AI)是早已存在的一个研究方向，其试图让机器具备像人类一样的智能，最近AI的大热得益于机器学习(machine learning)的助力，尤其是深度学习（deep learning)的助力。机器学习在垃圾邮件识别、房价线性回归预测、医学辅助诊断、字符识别等领域取得了鼓舞人心的进步，而深度学习在图像识别、自然语言处理、语音识别、体育竞技等方面取得了巨大的进步。在学习本书之前，读者需充分了解人工智能、机器学习和深度学习的关系。如图0.1所示，机器学习是人工智能领域的子集，而深度学习是机器学习的子集。人工智能是计算机科学的一个分支（它包含多学科的交叉学科），它企图了解智能的实质，并生产出一种新的、能以与人类智能相似的方式做出反应的智能机器。人工智能研究的内容有：计算机视觉、自然语言处理、语音识别、图像识别、机器人和推荐系统等。

人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。20世纪50年代，人工智能进入“推理期”，通过赋予机器逻辑推理能力使机器获得智能，当时的AI程序能够证明一些著名的数学定理，但由于机器缺乏知识，远不能实现真正的智能。20世纪70年代，人工智能的发展进入“知识期”，即将人类的知识总结出来教给机器，使机器获得智能，在这一时期，大量的专家系统问世，在很多领域取得了大量成果，但由于人类知识量巨大，因此出现了“知识工程瓶颈”。无论是“推理期”还是“知识期”，机器都是按照人类设定的规则和总结的知识运作，因而并不“智能”，而且大量的规则和知识需要耗费的人力成本太高。于是，一些学者试图让机器自主学习，机器学习方法应运而生，人工智能进入“机器学习时期”。2001年，在金融贸易竞赛中，具备AI的机器人战胜了人类；银行使用AI进行金融投资和财产管理；在临床医学领域，人工神经网络被用于辅助决策、分析医学影像、分析心脏声音；在客服方面，呼叫中心的回答机器也使用AI技术，自动识别并答复客户的提问；在体育竞技方面，随着AlphaGo的问世，曾经被认为机器人无法与人类比拼的竞技项目——围

棋，也被AI攻克，AlphaGo在围棋上击败了人类世界冠军李世石和柯洁，现在越来越多的

职业围棋选手依赖AI训练自己的围棋技艺。人工智能可以对人的意识、思维过程进行模

拟，虽然它不是人的智能，但却能像人那样思考，甚至有可能超过人的智能。人工智能发展

史上的重要事件如图0.2所示人工智能取得如此重大的进步离不开另外两个概念：机器学习和大数据。

人工智能与机器学习、大数据等概念之间存在怎样的联系？研究“人工智能”的目的是让机器能够像人类一样思考并行动。目前我们离这一目标还有些遥远，而且是否应该这样做（大力研究具备人的智能的机器人)还具有争议①。然而，实际上整个社会已经在全力推进并加速人工智能的研发进程。同时，人工智能被广泛地应用于各个领域，这被称为“应用人工智能”，即帮助人类完成各种简单任务的手段或工具。而要实现“应用人工智能”，则需要使用机器学习的技术。关于机器学习的定义有很多，Peter Harrington在其经典机器学习教程MachineLearning in Action 中提出：“机器学习就是把无序的数据转换成有用的信息。”机器学习用大量数据训练出一个模型，然后使用该模型代替人类完成一些简单的任务，包括分类、回归和聚类分析。机器学习是目前应用人工智能较为主流的实现方式。赛事报道的新闻大同小异，可以借助于机器学习辅助撰写；医生需要机器辅助查看患者的医学影像底片，从而更准确地判断疾病的类型与程度；邮件服务器依赖机器学习鉴别垃圾邮件和正常邮件，从而有效地隔离无用的垃圾邮件……通过机器学习对数据进行训练，得出对应的算法模型，然后用这个模型分析新输入的数据，并自动生成结果，这样做可以显著地提高工作效率。大数据（big data)提供了训练模型所需要的基础资源。Gartner Group对大数据的定义为：需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。对这些数量惊人、形式多变的数据进行收集、管理、分析等工作的技术被称为“大数据技术”。海量数据经过预处理后变为实现应用人工智能的基础资料，计算机正是利用这些数据，并依据机器学习的算法，完成模型的训练，也即顺利完成“学习”，然后利用训练后的模型去实现人类给予的新任务。

本教材的主要内容如下所述。绪论：介绍人工智能的概念、特征、发展历史及人工智能、机器学习、深度学习的关系。Python基础：介绍开发环境，包括元组、列表、字典、集合，模块和函数，科学计算库NumPy，数据分析工具Pandas，数据可视化，面向对象编程、Python的GUI程序设计及Python的数据库编程。有监督学习算法：K近邻算法、逻辑回归、决策树、支持向量机等。无监督学习算法：K均值算法、基于密度的扫描聚类、高斯聚类模型、主成分分析。集成学习算法：非强依赖的Bagging和随机森林算法及强依赖的Boosting算法(着重讲解XGBoost算法)。神经网络和深度学习：神经网络基本概念和深度学习基础。本教材主要面向对Python人工智能基础感兴趣的初学者。掌握本教材内容以后，读者可以深入学习深度学习的相关内容。