中圖網(wǎng)小程序
一鍵登錄
更方便
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
Python與人工智能應用技術 版權信息
- ISBN：9787121448560
- 條形碼：9787121448560 ; 978-7-121-44856-0
- 裝幀：簡裝本
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python與人工智能應用技術 內(nèi)容簡介
本書將人工智能的基礎知識進行了系統(tǒng)化的介紹，從傳統(tǒng)的機器學習的基礎知識、經(jīng)典算法到深度學習的網(wǎng)絡模型、應用領域都進行了相應的介紹。 本書共分10個項目。項目1～項目7主要內(nèi)容有認識人工智能、Python基礎、機器學習基礎、特征工程及應用、經(jīng)典算法的實現(xiàn)、神經(jīng)網(wǎng)絡的構建和訓練、手寫數(shù)字識別；項目8～項目10主要內(nèi)容是綜合案例的實施，包括人臉識別、商品情感分析、車牌識別。本書將知識點進行拆解細化，用可視化的形式幫助讀者理解抽象的知識點，并配有豐富的代碼，在反復實踐中理解、升華，理論與實踐相結合，助力讀者鍛煉編程思維和提升編程能力。
Python與人工智能應用技術 目錄
項目1 認識人工智能 1
1．1 人工智能簡介 2
1．1．1 為什么要學人工智能 2
1．1．2 人工智能的定義 2
1．1．3 人工智能的技術目標 3
1．1．4 人工智能的三次浪潮 3
1．1．5 人工智能的不完美性 5
1．2 人工智能、機器學習和深度學習 5
1．3 人工智能的技術架構 6
1．4 人工智能的應用場景 6
1．5 人工智能的主要方向 8
1．6 人工智能的主要算法 8
1．6．1 機器學習 8
1．6．2 深度學習 9
1．7 人工智能相關的基礎學習庫與工具 10
1．8 深度學習框架與平臺 11
1．9 人工智能簡單要素 12
1．9．1 訓練和測試 12
1．9．2 基于人工智能的編程和基于規(guī)則的編程 12
課后習題 14
項目2 Python基礎 17
2．1 Python安裝 18
2．2 Python基本知識 21
2．2．1 基本運算 21
2．2．2 變量 22
2．2．3 表達式和語句 22
2．2．4 類型 23
2．2．5 數(shù)字類型 23
2．2．6 字符串 23
2．2．7 注釋 25
2．3 模塊 25
2．4 數(shù)據(jù)結構 25
2．4．1 列表 26
2．4．2 元組 27
2．5 字典 27
2．5．1 創(chuàng)建字典 28
2．5．2 常見操作 28
2．6 集合 28
2．6．1 基本操作 28
2．6．2 其他操作 29
2．7 條件語句和循環(huán)語句 30
2．7．1 條件語句 30
2．7．2 循環(huán)語句 30
2．8 函數(shù) 31
2．8．1 規(guī)則 31
2．8．2 語法 31
2．8．3 Lambda函數(shù) 32
2．9 Python面向對象的編程 32
2．9．1 對象 32
2．9．2 繼承 34
2．9．3 組合 34
2．10 可視化 35
2．10．1 繪制圖形 35
2．10．2 顯示圖像 36
2．11 Python案例 37
課后習題 39
項目3 機器學習基礎 41
3．1 *小二乘法 42
3．2 激活函數(shù) 44
3．2．1 Sign函數(shù) 45
3．2．2 Sigmoid函數(shù) 45
3．2．3 Tanh函數(shù) 46
3．2．4 ReLU函數(shù) 47
3．3 損失函數(shù) 48
3．3．1 0-1損失函數(shù) 48
3．3．2 平方損失函數(shù) 48
3．3．3 對數(shù)損失函數(shù) 48
3．3．4 交叉熵損失函數(shù) 49
3．3．5 對比損失函數(shù) 49
3．4 梯度下降算法 49
3．5 前向傳播算法和反向傳播算法 50
3．5．1 前向傳播算法 50
3．5．2 反向傳播算法 51
3．6 學習率 52
3．7 正則化 53
3．7．1 正則化 53
3．7．2 正則化 53
3．8 歐氏距離和余弦相似度 54
3．8．1 歐氏距離 54
3．8．2 余弦相似度 54
3．8．3 基于角度間隔的方法 55
課后習題 55
項目4 特征工程及應用 57
4．1 特征工程的含義 58
4．1．1 數(shù)據(jù)和數(shù)據(jù)處理 58
4．1．2 特征工程 58
4．1．3 特征工程的重要性 59
4．1．4 特征的種類 60
4．2 歸一化和標準化 60
4．2．1 歸一化 61
4．2．2 標準化 62
4．3 模型存儲和模型加載 63
4．3．1 模型存儲 63
4．3．2 模型加載 63
4．4 特征選擇和降維 63
4．4．1 特征值和特征向量 63
4．4．2 奇異值和奇異值分解 64
4．5 特征選擇和特征轉換 65
4．5．1 PCA的含義 65
4．5．2 PCA降維過程的代碼實現(xiàn)方法 68
4．5．3 LDA的含義 72
4．5．4 LDA降維過程的代碼實現(xiàn)方法 72
4．6 Python參數(shù)搜索 76
課后習題 77
項目5 經(jīng)典算法的實現(xiàn) 78
5．1 KNN算法 80
5．1．1 分類任務 80
5．1．2 回歸任務 81
5．2 支持向量機 82
5．2．1 支持向量機的基本原理 83
5．2．2 參數(shù)優(yōu)化 84
5．2．3 核函數(shù) 84
5．2．4 使用Scikit-Learn構建支持向量機 85
5．3 邏輯回歸 85
5．3．1 確定假設函數(shù) 85
5．3．2 構造損失函數(shù) 86
5．3．3 *小化損失函數(shù) 86
5．3．4 正則化 86
5．3．5 代碼實現(xiàn) 87
5．4 線性回歸 87
5．4．1 一元線性回歸 87
5．4．2 損失函數(shù) 88
5．4．3 優(yōu)化方法 88
5．5 樸素貝葉斯 88
5．5．1 樸素貝葉斯算法的流程 89
5．5．2 代碼實現(xiàn) 89
5．6 決策樹 90
5．6．1 ID3-*大信息增益 91
5．6．2 C4．5-*大信息增益比 91
5．6．3 CART-*大基尼系數(shù) 92
5．6．4 代碼實現(xiàn) 92
5．7 隨機森林 93
5．7．1 隨機森林算法的一般流程 94
5．7．2 代碼實現(xiàn) 94
5．8 梯度提升決策樹 95
5．8．1 梯度提升決策樹算法的一般流程 95
5．8．2 梯度提升和梯度下降的區(qū)別 95
5．8．3 梯度提升決策樹算法的實現(xiàn) 96
5．8．4 代碼實現(xiàn) 96
5．9 分類算法的評價指標 97
5．9．1 混淆矩陣 97
5．9．2 精確率 98
5．9．3 召回率 98
5．9．4 ROC 98
5．10 回歸算法的評價指標 99
5．10．1 偏差和方差 99
5．10．2 均方誤差 100
5．10．3 平均絕對誤差 100
5．10．4 R-squared 100
課后習題 101
項目6 神經(jīng)網(wǎng)絡的構建和訓練 102
6．1 神經(jīng)元 103
6．2 感知機的定義 103
6．3 簡單邏輯電路 104
6．3．1 與門 104
6．3．2 或門 104
6．3．3 非門 105
6．4 感知機的實現(xiàn) 105
6．5 感知機的局限性 106
6．6 多層感知機 107
6．6．1 異或問題表示 107
6．6．2 異或問題實現(xiàn) 108
6．7 感知機的訓練 109
課后習題 111
項目7 手寫數(shù)字識別 112
7．1 卷積神經(jīng)網(wǎng)絡與圖像處理 113
7．1．1 卷積神經(jīng)網(wǎng)絡 113
7．1．2 卷積神經(jīng)網(wǎng)絡的實現(xiàn) 117
7．2 深度神經(jīng)網(wǎng)絡 127
7．2．1 LeNet 128
7．2．2 AlexNet 128
7．2．3 VGGNet 129
7．2．4 ResNet 130
7．3 手寫數(shù)字識別案例 131
7．3．1 數(shù)據(jù)集解壓 131
7．3．2 加載數(shù)據(jù)集并識別 131
課后習題 133
項目8 人臉識別 135
8．1 人臉識別的流程 136
8．2 人臉檢測 137
8．2．1 人臉檢測的方法 137
8．2．2 評價指標 140
8．2．3 人臉檢測部分代碼 141
8．3 人臉對齊 141
8．3．1 人臉對齊的方法 141
8．3．2 評價指標 142
8．3．3 代碼實現(xiàn) 142
8．4 人臉表征 143
8．4．1 人臉表征的方法 144
8．4．2 評價指標 144
8．5 人臉屬性識別 145
項目9 商品情感分析 147
9．1 自然語言處理 148
9．2 情感分析 148
9．2．1 數(shù)據(jù)準備 149
9．2．2 數(shù)據(jù)預處理 149
9．2．3 商品情感識別 150
項目10 車牌識別 152
10．1 圖像識別與預處理 153
10．1．1 圖像識別的流程 153
10．1．2 圖像預處理 153
10．1．3 數(shù)字圖像的預處理 155
10．2 車牌檢測與識別 156
10．2．1 車牌檢測的流程 156
10．2．2 車牌識別的流程 159
1．1 人工智能簡介 2
1．1．1 為什么要學人工智能 2
1．1．2 人工智能的定義 2
1．1．3 人工智能的技術目標 3
1．1．4 人工智能的三次浪潮 3
1．1．5 人工智能的不完美性 5
1．2 人工智能、機器學習和深度學習 5
1．3 人工智能的技術架構 6
1．4 人工智能的應用場景 6
1．5 人工智能的主要方向 8
1．6 人工智能的主要算法 8
1．6．1 機器學習 8
1．6．2 深度學習 9
1．7 人工智能相關的基礎學習庫與工具 10
1．8 深度學習框架與平臺 11
1．9 人工智能簡單要素 12
1．9．1 訓練和測試 12
1．9．2 基于人工智能的編程和基于規(guī)則的編程 12
課后習題 14
項目2 Python基礎 17
2．1 Python安裝 18
2．2 Python基本知識 21
2．2．1 基本運算 21
2．2．2 變量 22
2．2．3 表達式和語句 22
2．2．4 類型 23
2．2．5 數(shù)字類型 23
2．2．6 字符串 23
2．2．7 注釋 25
2．3 模塊 25
2．4 數(shù)據(jù)結構 25
2．4．1 列表 26
2．4．2 元組 27
2．5 字典 27
2．5．1 創(chuàng)建字典 28
2．5．2 常見操作 28
2．6 集合 28
2．6．1 基本操作 28
2．6．2 其他操作 29
2．7 條件語句和循環(huán)語句 30
2．7．1 條件語句 30
2．7．2 循環(huán)語句 30
2．8 函數(shù) 31
2．8．1 規(guī)則 31
2．8．2 語法 31
2．8．3 Lambda函數(shù) 32
2．9 Python面向對象的編程 32
2．9．1 對象 32
2．9．2 繼承 34
2．9．3 組合 34
2．10 可視化 35
2．10．1 繪制圖形 35
2．10．2 顯示圖像 36
2．11 Python案例 37
課后習題 39
項目3 機器學習基礎 41
3．1 *小二乘法 42
3．2 激活函數(shù) 44
3．2．1 Sign函數(shù) 45
3．2．2 Sigmoid函數(shù) 45
3．2．3 Tanh函數(shù) 46
3．2．4 ReLU函數(shù) 47
3．3 損失函數(shù) 48
3．3．1 0-1損失函數(shù) 48
3．3．2 平方損失函數(shù) 48
3．3．3 對數(shù)損失函數(shù) 48
3．3．4 交叉熵損失函數(shù) 49
3．3．5 對比損失函數(shù) 49
3．4 梯度下降算法 49
3．5 前向傳播算法和反向傳播算法 50
3．5．1 前向傳播算法 50
3．5．2 反向傳播算法 51
3．6 學習率 52
3．7 正則化 53
3．7．1 正則化 53
3．7．2 正則化 53
3．8 歐氏距離和余弦相似度 54
3．8．1 歐氏距離 54
3．8．2 余弦相似度 54
3．8．3 基于角度間隔的方法 55
課后習題 55
項目4 特征工程及應用 57
4．1 特征工程的含義 58
4．1．1 數(shù)據(jù)和數(shù)據(jù)處理 58
4．1．2 特征工程 58
4．1．3 特征工程的重要性 59
4．1．4 特征的種類 60
4．2 歸一化和標準化 60
4．2．1 歸一化 61
4．2．2 標準化 62
4．3 模型存儲和模型加載 63
4．3．1 模型存儲 63
4．3．2 模型加載 63
4．4 特征選擇和降維 63
4．4．1 特征值和特征向量 63
4．4．2 奇異值和奇異值分解 64
4．5 特征選擇和特征轉換 65
4．5．1 PCA的含義 65
4．5．2 PCA降維過程的代碼實現(xiàn)方法 68
4．5．3 LDA的含義 72
4．5．4 LDA降維過程的代碼實現(xiàn)方法 72
4．6 Python參數(shù)搜索 76
課后習題 77
項目5 經(jīng)典算法的實現(xiàn) 78
5．1 KNN算法 80
5．1．1 分類任務 80
5．1．2 回歸任務 81
5．2 支持向量機 82
5．2．1 支持向量機的基本原理 83
5．2．2 參數(shù)優(yōu)化 84
5．2．3 核函數(shù) 84
5．2．4 使用Scikit-Learn構建支持向量機 85
5．3 邏輯回歸 85
5．3．1 確定假設函數(shù) 85
5．3．2 構造損失函數(shù) 86
5．3．3 *小化損失函數(shù) 86
5．3．4 正則化 86
5．3．5 代碼實現(xiàn) 87
5．4 線性回歸 87
5．4．1 一元線性回歸 87
5．4．2 損失函數(shù) 88
5．4．3 優(yōu)化方法 88
5．5 樸素貝葉斯 88
5．5．1 樸素貝葉斯算法的流程 89
5．5．2 代碼實現(xiàn) 89
5．6 決策樹 90
5．6．1 ID3-*大信息增益 91
5．6．2 C4．5-*大信息增益比 91
5．6．3 CART-*大基尼系數(shù) 92
5．6．4 代碼實現(xiàn) 92
5．7 隨機森林 93
5．7．1 隨機森林算法的一般流程 94
5．7．2 代碼實現(xiàn) 94
5．8 梯度提升決策樹 95
5．8．1 梯度提升決策樹算法的一般流程 95
5．8．2 梯度提升和梯度下降的區(qū)別 95
5．8．3 梯度提升決策樹算法的實現(xiàn) 96
5．8．4 代碼實現(xiàn) 96
5．9 分類算法的評價指標 97
5．9．1 混淆矩陣 97
5．9．2 精確率 98
5．9．3 召回率 98
5．9．4 ROC 98
5．10 回歸算法的評價指標 99
5．10．1 偏差和方差 99
5．10．2 均方誤差 100
5．10．3 平均絕對誤差 100
5．10．4 R-squared 100
課后習題 101
項目6 神經(jīng)網(wǎng)絡的構建和訓練 102
6．1 神經(jīng)元 103
6．2 感知機的定義 103
6．3 簡單邏輯電路 104
6．3．1 與門 104
6．3．2 或門 104
6．3．3 非門 105
6．4 感知機的實現(xiàn) 105
6．5 感知機的局限性 106
6．6 多層感知機 107
6．6．1 異或問題表示 107
6．6．2 異或問題實現(xiàn) 108
6．7 感知機的訓練 109
課后習題 111
項目7 手寫數(shù)字識別 112
7．1 卷積神經(jīng)網(wǎng)絡與圖像處理 113
7．1．1 卷積神經(jīng)網(wǎng)絡 113
7．1．2 卷積神經(jīng)網(wǎng)絡的實現(xiàn) 117
7．2 深度神經(jīng)網(wǎng)絡 127
7．2．1 LeNet 128
7．2．2 AlexNet 128
7．2．3 VGGNet 129
7．2．4 ResNet 130
7．3 手寫數(shù)字識別案例 131
7．3．1 數(shù)據(jù)集解壓 131
7．3．2 加載數(shù)據(jù)集并識別 131
課后習題 133
項目8 人臉識別 135
8．1 人臉識別的流程 136
8．2 人臉檢測 137
8．2．1 人臉檢測的方法 137
8．2．2 評價指標 140
8．2．3 人臉檢測部分代碼 141
8．3 人臉對齊 141
8．3．1 人臉對齊的方法 141
8．3．2 評價指標 142
8．3．3 代碼實現(xiàn) 142
8．4 人臉表征 143
8．4．1 人臉表征的方法 144
8．4．2 評價指標 144
8．5 人臉屬性識別 145
項目9 商品情感分析 147
9．1 自然語言處理 148
9．2 情感分析 148
9．2．1 數(shù)據(jù)準備 149
9．2．2 數(shù)據(jù)預處理 149
9．2．3 商品情感識別 150
項目10 車牌識別 152
10．1 圖像識別與預處理 153
10．1．1 圖像識別的流程 153
10．1．2 圖像預處理 153
10．1．3 數(shù)字圖像的預處理 155
10．2 車牌檢測與識別 156
10．2．1 車牌檢測的流程 156
10．2．2 車牌識別的流程 159
展開全部
Python與人工智能應用技術 作者簡介
郭新，1984年9月出生，2013年畢業(yè)于華南理工大學系統(tǒng)工程專業(yè)。現(xiàn)任職于廣東交通職業(yè)技術學院機電工程學院，主持或參與教科研項目10余項，發(fā)表論文10余篇，指導學生競賽獲獎4次。
書友推薦
- >
我從未如此眷戀人間
- >
苦雨齋序跋文-周作人自編集
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
【精裝繪本】畫給孩子的中國神話
- >
名家?guī)阕x魯迅:朝花夕拾
- >
龍榆生：詞曲概論/大家小書
- >
伯納黛特,你要去哪(2021新版)
- >
巴金－再思錄
本類暢銷
