掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
清華開發(fā)者書庫.PythonPython人工智能 版權(quán)信息
- ISBN：9787302571889
- 條形碼：9787302571889 ; 978-7-302-57188-9
- 裝幀：70g膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
清華開發(fā)者書庫.PythonPython人工智能 本書特色
本書主要內(nèi)容包括人工智能起源發(fā)展，特別是新一代人工智能的驅(qū)動因素和關(guān)鍵技術(shù)，并介紹通過Python編程語言的學習和數(shù)據(jù)統(tǒng)計、*優(yōu)化方法等理論學習掌握人工智能的開發(fā)工具和方法。進而引出深度學習與神經(jīng)網(wǎng)絡(luò)、GPU并行計算與CUDA編程等新一代人工智能的核心技術(shù)和方法，對于以往較為忽視的數(shù)據(jù)采集與數(shù)據(jù)集制作部分專門做一章節(jié)來介紹。*后以TensorFlow為平臺，通過各種與實際生產(chǎn)生活聯(lián)系緊密的熱點應用為案例改編為實驗，達到提升創(chuàng)新素養(yǎng)和提高技能水平的人才培養(yǎng)目標。 匯聚新一代人工智能核心技術(shù)!全面掌握從理論到應用、從數(shù)據(jù)到模型、從編程語言到案例實現(xiàn)的全過程! 中國智慧城市專家委員會首席科學家 劉志剛 作序！ 匯聚新一代人工智能核心技術(shù)全面掌握從理論到應用、從數(shù)據(jù)到模型、從編程語言到案例實現(xiàn)的全過程
清華開發(fā)者書庫.PythonPython人工智能 內(nèi)容簡介
本書巧妙地將Python語言與人工智能知識結(jié)合在一起進行編排，使讀者既能全面學習Python編程語言，又能系統(tǒng)了解人工智能基本原理并深入掌握人工智能特別是新一代人工智能關(guān)鍵技術(shù)，同時配有豐富的教學案例和前沿熱點應用，每一個知識點都有對應Python語言實現(xiàn)。 全書共分為9章。章主要講解人工智能的發(fā)展歷史、驅(qū)動因素以及關(guān)鍵技術(shù)等。第2章為Python編程語言，系統(tǒng)介紹Python的語法規(guī)則、數(shù)據(jù)類型、程序結(jié)構(gòu)及文件操作和圖形化編程等。第3章為概率統(tǒng)計基礎(chǔ)，是人工智能的理論基礎(chǔ)。第4章為很優(yōu)化方法，解釋人工智能算法本質(zhì)問題。第5章深度學習與神經(jīng)網(wǎng)絡(luò)是本書的重點章節(jié)，該章對當前基于深度學習的多層神經(jīng)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)、遞歸/循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)等進行全面、深入的講解。第6章TensorFlow深度學習，重點介紹深度學習開源框架TensorFlow的使用方法及如何利用TensorFlow開發(fā)和部署各種深度學習模型。第7章數(shù)據(jù)采集與數(shù)據(jù)集制作，詳細介紹如何通過網(wǎng)絡(luò)爬蟲等方法從互聯(lián)網(wǎng)上搜集數(shù)據(jù)并制作成數(shù)據(jù)集。第8章詳細闡述如何利用GPU并行計算設(shè)備和CUDA編程來加速人工智能深度學習的模型訓練。第9章精心挑選了7個人工智能實驗案例，包括數(shù)據(jù)智能分析、視頻圖像智能理解、自然語言處理等各個方面，從簡到難，可以作本書配套的實驗教學內(nèi)容。 本書可作為人工智能、計算機、電子信息、智能科學與技術(shù)、數(shù)據(jù)科學與大數(shù)據(jù)、機器人工程等專業(yè)的高年級本科生以及研究生的學習用書，也可作為從事人工智能研究與開發(fā)的科研人員、工程技術(shù)人員及智能應用愛好者的參考書籍。
清華開發(fā)者書庫.PythonPython人工智能 目錄
目錄
第1章概述
1．1引言
1．2人工智能的概念與定義
1．3人工智能三大學派
1．3．1符號主義學派
1．3．2連接主義學派
1．3．3行為主義學派
1．4人工智能起源與發(fā)展
1．5新一代人工智能的驅(qū)動因素
1．5．1數(shù)據(jù)量爆發(fā)性增長
1．5．2計算能力大幅提升
1．5．3深度學習等算法發(fā)展
1．5．4移動AI創(chuàng)新應用牽引
1．6人工智能關(guān)鍵技術(shù)
1．6．1機器學習與深度學習
1．6．2知識圖譜
1．6．3自然語言處理
1．6．4人機交互
1．6．5計算機視覺
1．6．6生物特征識別
1．6．7SLAM技術(shù)
1．6．8VR/AR/MR技術(shù)
本章小結(jié)
課后思考題
第2章Python 編程語言
2．1Python簡介
2．1．1Python語言的發(fā)展
2．1．2Python開發(fā)環(huán)境的安裝
2．1．3Python運行
2．2Python基本語法與數(shù)據(jù)類型
2．2．1用程序?qū)崿F(xiàn)問題求解
2．2．2Python程序語法元素
2．2．3常用函數(shù)
2．2．4Python基本數(shù)據(jù)類型
2．2．5Python組合數(shù)據(jù)類型
2．3Python程序結(jié)構(gòu)
2．3．1分支結(jié)構(gòu)
2．3．2循環(huán)結(jié)構(gòu)
2．3．3循環(huán)保留字
2．3．4異常處理
2．4Python函數(shù)與模塊化編程
2．4．1函數(shù)的基本使用
2．4．2參數(shù)的傳遞
2．4．3函數(shù)的返回值
2．4．4變量的作用域
2．4．5匿名函數(shù)
2．4．6函數(shù)應用
2．4．7代碼復用與模塊化編程
2．5Python面向?qū)ο缶幊?
2．5．1類的定義與使用
2．5．2屬性和方法
2．5．3繼承
2．6Python文件操作與圖形化編程
2．6．1文件的基本操作
2．6．2圖形化界面tkinter
2．6．3單詞練習系統(tǒng)
本章小結(jié)
課后思考題
第3章概率統(tǒng)計基礎(chǔ)
3．1概率論
3．1．1概率與條件概率
3．1．2隨機變量
3．1．3離散隨機變量分布Python實驗
3．1．4連續(xù)隨機變量分布Python實驗
3．2數(shù)理統(tǒng)計基礎(chǔ)
3．2．1總體和樣本
3．2．2統(tǒng)計量與抽樣分布
3．2．3大數(shù)定律與中心極限定理
3．3參數(shù)估計
3．3．1點估計
3．3．2評價估計量的標準
3．3．3區(qū)間估計
本章小結(jié)
課后思考題
第4章*優(yōu)化方法
4．1*優(yōu)化方法基礎(chǔ)
4．1．1*優(yōu)化問題數(shù)學模型
4．1．2*優(yōu)化問題的分類及應用案例
4．1．3數(shù)學基礎(chǔ)
4．2凸優(yōu)化
4．2．1凸集
4．2．2凸函數(shù)
4．2．3凸優(yōu)化概念
4．2．4Python舉例
4．3*小二乘法
4．3．1*小二乘法原理
4．3．2Python舉例
4．4梯度下降法
4．4．1梯度下降思想
4．4．2梯度下降法算法步驟
4．4．3梯度算法分類
4．4．4Python舉例
4．5牛頓法
4．5．1牛頓法的基本原理
4．5．2牛頓法的步驟
4．5．3牛頓法求解無約束優(yōu)化問題
4．5．4Python舉例
4．6共軛梯度法
4．6．1共軛方向
4．6．2共軛梯度法基本原理
4．6．3共軛梯度法迭代步驟
4．6．4Python舉例
本章小結(jié)
課后思考題
第5章深度學習與神經(jīng)網(wǎng)絡(luò)
5．1深度學習
5．1．1深度學習概念
5．1．2深度學習原理
5．1．3深度學習訓練
5．2人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
5．2．1神經(jīng)元感知器
5．2．2神經(jīng)網(wǎng)絡(luò)模型
5．2．3學習方式
5．2．4學習規(guī)則
5．2．5激活函數(shù)
5．2．6梯度下降法
5．2．7交叉熵損失函數(shù)
5．2．8過擬合與欠擬合
5．3卷積神經(jīng)網(wǎng)絡(luò)
5．3．1卷積神經(jīng)網(wǎng)絡(luò)簡介
5．3．2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5．3．3卷積神經(jīng)網(wǎng)絡(luò)計算
5．3．4典型卷積神經(jīng)網(wǎng)絡(luò)
5．4循環(huán)神經(jīng)網(wǎng)絡(luò)
5．4．1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介
5．4．2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
5．4．3循環(huán)神經(jīng)網(wǎng)絡(luò)計算
5．5長短時記憶網(wǎng)絡(luò)
5．5．1長短時記憶網(wǎng)絡(luò)簡介
5．5．2長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)
5．5．3長短時記憶網(wǎng)絡(luò)計算
本章小結(jié)
課后思考題
第6章TensorFlow深度學習
6．1引言
6．2TensorFlow技術(shù)特點
6．3TensorFlow組件結(jié)構(gòu)
6．4TensorFlow編程基礎(chǔ)
6．4．1TensorFlow程序結(jié)構(gòu)
6．4．2TensorFlow編程模型
6．4．3TensorFlow常用API
6．4．4TensorFlow變量作用域
6．4．5TensorFlow批標準化
6．5TensorFlow神經(jīng)網(wǎng)絡(luò)模型構(gòu)建
6．5．1神經(jīng)元函數(shù)及優(yōu)化方法
6．5．2卷積函數(shù)
6．5．3池化函數(shù)
6．5．4分類函數(shù)
6．5．5優(yōu)化方法
6．6TensorFlow運行環(huán)境安裝
6．6．1Python安裝
6．6．2pip工具安裝
6．6．3Sublime安裝
6．7TensorFlow深度學習模型構(gòu)建
6．7．1生成擬合數(shù)據(jù)集
6．7．2構(gòu)建線性回歸模型數(shù)據(jù)流圖
6．7．3在Session中運行已構(gòu)建的數(shù)據(jù)流圖
6．7．4輸出擬合的線性回歸模型
6．7．5TensorBoard神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)流圖可視化
本章小結(jié)
課后思考題
第7章數(shù)據(jù)采集與數(shù)據(jù)集制作
7．1引言
7．2Python數(shù)據(jù)采集
7．2．1Web機制和爬蟲原理
7．2．2Python第三方庫
7．2．3爬蟲三大庫
7．2．4正則表達式
7．2．5使用API
7．2．6爬蟲進階
7．3訓練數(shù)據(jù)集制作
7．3．1數(shù)據(jù)存取
7．3．2數(shù)據(jù)清洗
7．4數(shù)據(jù)采集與數(shù)據(jù)集制作示例
本章小結(jié)
課后思考題
第8章GPU并行計算與CUDA編程
8．1引言
8．2GPU通用計算
8．2．1馮·諾依曼體系架構(gòu)
8．2．2GPU發(fā)展簡介
8．2．3早期的GPGPU編程
8．2．4NVIDIA和CUDA
8．3CUDA
8．3．1GPU硬件
8．3．2CPU與GPU
8．3．3GPU的計算能力
8．3．4CUDA軟件架構(gòu)
8．3．5CUDA硬件框架
8．3．6CUDA編程模型
8．3．7深度學習與GPU加速度計算
8．3．8深度學習下CUDA環(huán)境搭建
8．4CUDA加速深度學習的案例
8．4．1CUDA在TensorFlow框架里的應用
8．4．2CUDA在PyTorch框架里的應用
本章小結(jié)
課后思考題
第9章Python人工智能實驗
9．1曲線擬合實驗
9．1．1實驗內(nèi)容
9．1．2實驗步驟
9．2泰坦尼克號乘客死亡概率預測
9．2．1實驗內(nèi)容
9．2．2實驗步驟
9．3股票預測
9．3．1實驗內(nèi)容
9．3．2實驗步驟
9．4車牌識別
9．4．1實驗內(nèi)容
9．4．2實驗步驟
9．5佩戴口罩識別
9．5．1實驗內(nèi)容
9．5．2實驗步驟
9．6自動作詩實驗
9．6．1實驗內(nèi)容
9．6．2實驗步驟
9．7聊天機器人實驗
9．7．1實驗內(nèi)容
9．7．2實驗步驟
本章小結(jié)
課后思考題
展開全部
清華開發(fā)者書庫.PythonPython人工智能 作者簡介
楊博雄,博士，武漢大學測繪遙感信息工程國家重點實驗室博士后，碩士研究生導師，三亞學院信息與智能工程學院副院長、教授，海南省人工智能學會人工智能教育專業(yè)委員會副主任、區(qū)塊鏈專業(yè)委員會委員。長期從事物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)、高性能計算、人工智能等方面的研究與教學工作。主持/參與多項國家及省部級科研項目，在國內(nèi)外學術(shù)期刊上發(fā)表論文20余篇。獲批發(fā)明專利5部，軟件著作權(quán)10部。出版專著2部，教材2部。
書友推薦
- >
李白與唐代文化
- >
我與地壇
- >
隨園食單
- >
莉莉和章魚
- >
煙與鏡
- >
月亮虎
- >
唐代進士錄
- >
人文閱讀與收藏·良友文學叢書:一天的工作
本類暢銷
