人工智能创新实践教程
正版保障 假一赔十 可开发票
￥ 43.78 6.3折 ￥ 69.8 全新
库存72件
广东广州
认证卖家担保交易快速发货售后保障
作者刘立波
出版社电子工业出版社
ISBN9787121479106
出版时间2023-07
装帧平装
开本其他
定价69.8元
货号16247072
上书时间2024-12-23
商品详情
- 品相描述：全新
- 商品描述
-
目录
第一部分 环境基础教学 第1章 实验环境搭建 3 1.1 Anaconda的安装 3 1.2 PyCharm的安装与使用 7 1.3 包的安装 10 1.3.1 pip的安装与使用 10 1.3.2 NumPy的安装 11 1.3.3 Matplotlib的安装 11 1.3.4 Pandas的安装 12 1.4 框架搭建 13 1.4.1 PyTorch-CPU的安装 13 1.4.2 TensorFlow-CPU的安装 15 1.5 本章小结 18 1.6 本章习题 18 第2章 Python编程语言基础 19 2.1 基础语法 19 2.1.1 输入/输出函数 20 2.1.2 标识符和关键字 22 2.1.3 变量、数据类型及注释 23 2.1.4 运算符 25 2.2 基本程序设计方法 27 2.2.1 函数 28 2.2.2 分支结构 31 2.2.3 循环 33 2.3 编程进阶 36 2.3.1 列表 37 2.3.2 字典 40 2.3.3 文件操作 43 2.4 本章小结 46 2.5 本章习题 47 第二部分 机器学习 第3章 机器学习基础 51 3.1 基本概念 51 3.2 机器学习的三要素 52 3.2.1 模型 52 3.2.2 学习策略 53 3.2.3 优化准则 54 3.3 评估方法 55 3.3.1 数据集划分方法 56 3.3.2 性能度量 56 3.4 本章小结 58 3.5 本章习题 59 第4章 K近邻算法 60 4.1 算法概述 60 4.1.1 基本概念 60 4.1.2 距离计算函数 61 4.2 实验数据 61 4.2.1 准备数据 62 4.2.2 分析数据 62 4.2.3 处理数据 63 4.3 算法实战 64 4.3.1 KNN算法实现 64 4.3.2 预测测试集并计算准确率 65 4.3.3 结果分析 65 4.4 本章小结 66 4.5 本章习题 66 第5章 决策树算法 67 5.1 算法概述 68 5.1.1 基本概念 68 5.1.2 特征选择 69 5.1.3 决策树的生成 71 5.1.4 决策树的剪枝 72 5.1.5 决策树的存储 72 5.1.6 决策树的可视化 72 5.2 实验数据 72 5.2.1 数据集介绍 73 5.2.2 导入数据集 73 5.2.3 划分训练集和测试集 74 5.3 算法实战 75 5.3.1 计算香农熵 75 5.3.2 数据集很好划分函数 76 5.3.3 按照给定列划分数据集 76 5.3.4 递归构建决策树 77 5.3.5 利用训练集生成决策树 78 5.3.6 保存决策树 78 5.3.7 预测测试集并计算准确率 78 5.3.8 绘制决策树 79 5.4 本章小结 81 5.5 本章习题 81 第6章 朴素贝叶斯算法 82 6.1 算法概述 83 6.1.1 基本概念 83 6.1.2 贝叶斯算法的原理 84 6.1.3 朴素贝叶斯算法的类型 85 6.2 实验数据 85 6.2.1 准备数据 85 6.2.2 分析数据 87 6.2.3 处理数据 89 6.3 算法实战 92 6.3.1 算法构建 92 6.3.2 训练测试数据 93 6.3.3 结果分析 93 6.4 本章小结 93 6.5 本章习题 94 第7章 Logistic回归 95 7.1 Logistic回归概述 95 7.1.1 基本概念 95 7.1.2 Logistic回归算法 96 7.1.3 梯度下降法 99 7.2 Logistic回归实战 101 7.2.1 准备数据 102 7.2.2 分析数据 102 7.2.3 处理数据 103 7.3 算法实战 104 7.3.1 算法构建 104 7.3.2 定义分类函数 106 7.3.3 预测测试集并计算准确率 106 7.3.4 结果分析 107 7.4 本章小结 108 7.5 本章习题 108 第8章 支持向量机 109 8.1 支持向量机算法思想 109 8.1.1 算法原理 109 8.1.2 算法流程 111 8.1.3 SMO算法 117 8.2 实验数据 119 8.2.1 准备数据 119 8.2.2 分析数据 120 8.2.3 处理数据 122 8.3 算法实战 124 8.3.1 算法构建 124 8.3.2 训练测试数据 127 8.3.3 结果分析 128 8.4 本章小结 129 8.5 本章习题 129 第9章 随机森林算法 130 9.1 算法概述 131 9.1.1 集成学习概述 131 9.1.2 随机森林算法概述 132 9.2 实验数据 134 9.2.1 准备数据 135 9.2.2 分析数据 135 9.2.3 处理数据 137 9.3 算法实战 138 9.3.1 创建随机森林分类器 138 9.3.2 创建修改参数的随机森林 139 9.3.3 使用随机森林模型找重要特征 140 9.3.4 可视化特征分数 140 9.3.5 在选定的特征上建立随机森林模型 141 9.4 本章小结 142 9.5 本章习题 142 第10章 AdaBoost算法 143 10.1 算法概述 143 10.1.1 Boosting算法概述 143 10.1.2 AdaBoost算法概述 145 10.2 实验数据 146 10.2.1 准备数据 146 10.2.2 处理数据 147 10.3 算法实战 147 10.3.1 算法构建 147 10.3.2 训练测试数据 152 10.3.3 结果分析 152 10.4 本章小结 153 10.5 本章习题 153 第11章 Apriori算法 154 11.1 算法概述 154 11.1.1 关联分析 154 11.1.2 Apriori算法的思想 155 11.2 实验数据 158 11.2.1 准备数据 158 11.2.2 分析数据 158 11.2.3 处理数据 159 11.3 算法实战 160 11.3.1 算法构建 160 11.3.2 训练测试数据 163 11.3.3 结果分析 163 11.4 本章小结 163 11.5 本章习题 164 第三部分 深度学习 第12章 深度学习基础 167 12.1 基础知识 167 12.1.1 框架介绍 167 12.1.2 PyTorch基础语法 170 12.2 神经网络基础 172 12.2.1 神经元 172 12.2.2 激活函数概述 174 12.2.3 常见的激活函数 176 12.3 前馈神经网络和反馈神经网络 179 12.3.1 前馈神经网络 179 12.3.2 反馈神经网络 180 12.4 损失函数 186 12.4.1 L1和L2损失函数 187 12.4.2 交叉熵损失函数 187 12.4.3 其他常见损失函数 189 12.5 优化方法 189 12.5.1 基本概念 189 12.5.2 梯度下降法 190 12.6 本章小结 191 12.7 本章习题 191 第13章 感知机算法 192 13.1 算法概述 192 13.1.1 感知机简介 192 13.1.2 算法实现原理 193 13.2 实验数据 196 13.3 算法实战 196 13.3.1 and运算 196 13.3.2 鸢尾花分类 198 13.4 本章小结 200 13.5 本章习题 200 第14章 卷积神经网络 201 14.1 模型概述 202 14.1.1 卷积神经网络的结构及原理 202 14.1.2 卷积神经网络的特点 203 14.1.3 卷积层 204 14.1.4 池化层 205 14.1.5 全连接层 206 14.2 实验数据 207 14.2.1 准备数据 207 14.2.2 处理数据 209 14.3 模型构建 209 14.3.1 相关函数介绍 209 14.3.2 卷积神经网络的构建 210 14.3.3 模型训练 211 14.4 本章小结 214 14.5 本章习题 214 第15章 VGG16网络 215 15.1 模型概述 216 15.1.1 VGG网络的结构及原理 216 15.1.2 VGG网络的特点 217 15.2 实验数据 218 15.2.1 准备数据 218 15.2.2 处理数据 219 15.3 模型构建 220 15.3.1 构建VGG16网络 220 15.3.2 测试模型 226 15.3.3 结果分析 227 15.4 本章小结 227 15.5 本章习题 228 第16章 循环神经网络 229 16.1 算法概述 229 16.1.1 语言模型 229 16.1.2 循环神经网络的原理 230 16.1.3 双向循环神经网络 231 16.1.4 循环神经网络的训练算法 232 16.1.5 长短时记忆网络 234 16.2 数据处理 239 16.2.1 准备数据 239 16.2.2 分析数据 240 16.2.3 处理数据 241 16.3 算法实战 242 16.3.1 模型构建 242 16.3.2 验证数据 243 16.3.3 股票价格预测 244 16.4 本章小结 245 16.5 本章习题 245 参考文献 246
内容摘要
本书主要内容分为三部分，逐步引导学生由浅入深、由简到难地学习。第一部分是环境基础教学，包括第1、2章，分别是实验环境搭建和Python编程语言基础；第二部分是机器学习，包括第3～11?章，详细介绍了机器学习的核心算法原理及相关实战案例，如利用隐形眼镜数据集构建随机森林模型来预测适合客户的隐形眼镜类型、基于朴素贝叶斯分类算法实现年收入预测、采用支持向量机算法预测泰坦尼克号人员存活率；第三部分是深度学习，包括第12～16章，重点介绍深度学习基础知识和不同经典网络原理及相关实战案例，如利用卷积神经网络模型实现手写数字识别、采用VGG16模型实现天气识别，以人工智能的示范应用来启发学生进一步进行深化研究。本书提供课程资源包，包括案例源代码、课件PPT等。本书面向具有人工智能技术需求的相关专业学生，按照初学者的学习思维与人工智能的特点及规律进行设计，科学布局并合理规划课程路线，紧密结合机器学习与深度学习发展历程，并将陈述性理论知识穿插于技能训练中。本书可作为高等院校计算机相关专业人工智能课程的教材或实践配套教材，也可作为非计算机相关专业人工智能创新实验课程和大专、培训类学校的参考书。
精彩内容
本书主要内容分为三部分，逐步引导学生由浅入深、由简到难地学习。第一部分是环境基础教学，包括第1、2章，分别是实验环境搭建和Python编程语言基础；第二部分是机器学习，包括第3～11?章，详细介绍了机器学习的核心算法原理及相关实战案例，如利用隐形眼镜数据集构建随机森林模型来预测适合客户的隐形眼镜类型、基于朴素贝叶斯分类算法实现年收入预测、采用支持向量机算法预测泰坦尼克号人员存活率；第三部分是深度学习，包括第12～16章，重点介绍深度学习基础知识和不同经典网络原理及相关实战案例，如利用卷积神经网络模型实现手写数字识别、采用VGG16模型实现天气识别，以人工智能的示范应用来启发学生进一步进行深化研究。本书提供课程资源包，包括案例源代码、课件PPT等。本书面向具有人工智能技术需求的相关专业学生，按照初学者的学习思维与人工智能的特点及规律进行设计，科学布局并合理规划课程路线，紧密结合机器学习与深度学习发展历程，并将陈述性理论知识穿插于技能训练中。本书可作为高等院校计算机相关专业人工智能课程的教材或实践配套教材，也可作为非计算机相关专业人工智能创新实验课程和大专、培训类学校的参考书。
— 没有更多了 —
以下为对购买帮助不大的评价