- 人工智能应用实践教程(Python实现慕课版人工智能人才培养新形态精品教材)
- - 作者：编者:陈景强//周剑//薛景//陈可佳//汪云云|责编:李召
  - 出版社：人民邮电
  - ISBN：9787115626585
  - 出版日期：2024/01/01
  - 页数：236
- 售价：23.92

内容大纲
本书主要介绍主流的人工智能理论、算法以及Python实现方法，目的是使学生学会人工智能理论及推导过程，并且掌握调用Python人工智能库和自定义编码的方法。全书共分10章，分别为人工智能与Python概述、Python基础、线性回归及其Python实现、逻辑斯蒂分类及其Python实现、最大熵模型及其Python实现、K-近邻分类与K-均值聚类及其Python实现、朴素贝叶斯分类及其Python实现、决策树及其Python实现、神经网络及其Python实现、图像识别领域的应用案例。
本书可作为计算机专业相关课程的教材，也可作为程序设计人员的参考书。
作者介绍
目录
第1章  人工智能与Python概述
  1.1  人工智能的起源与发展
  1.2  人工智能的核心概念
    1.2.1  人工智能的三大学派
    1.2.2  强人工智能与弱人工智能
  1.3  人工智能的分支领域
    1.3.1  机器学习与深度学习
    1.3.2  人工智能的应用分支领域
  1.4  人工智能行业应用与人才需求
    1.4.1  人工智能行业应用举例
    1.4.2  人工智能人才需求
  1.5  Python与人工智能的关系
  1.6  Python人工智能开发环境安装
    1.6.1  Python的安装和运行
    1.6.2  人工智能开发库的安装
    1.6.3  Python集成开发环境
    1.6.4  Anaconda
  本章小结
  课后习题
第2章  Python基础
  2.1  基本语法
    2.1.1  对象及其类型
    2.1.2  变量和赋值
    2.1.3  运算符和表达式
    2.1.4  字符串
    2.1.5  流程控制
  2.2  组合数据类型
    2.2.1  列表（list）
    2.2.2  元组（tuple）
    2.2.3  字典（dict）
    2.2.4  集合（set和frozenset）
  2.3  函数
    2.3.1  函数的定义和调用
    2.3.2  匿名函数与lambda关键字
  2.4  异常处理和文件操作
    2.4.1  异常处理
    2.4.2  文件处理的一般过程
    2.4.3  文件的写操作
    2.4.4  文件的读操作
  2.5  面向对象程序设计
    2.5.1  类和对象
    2.5.2  类的继承
  2.6  数值计算库NumPy
    2.6.1  NumPy多维数组
    2.6.2  NumPy数组的索引和切片
    2.6.3  NumPy数组的运算
    2.6.4  NumPy数组的读写操作
    2.6.5  NumPy中的数据统计与分析
  本章小结
  课后习题

第3章  线性回归及其Python实现
  3.1  线性回归问题简介
  3.2  单变量线性回归问题
  3.3  基于scikit-learn库求解单变量线性回归
    3.3.1  scikit-learn库的LinearRegression类说明
    3.3.2  求解步骤与编程实现
    3.3.3  基于scikit-learn库的模型评价
  3.4  基于最小二乘法的自定义求解单变量线性回归
    3.4.1  使用导数法求解
    3.4.2  使用矩阵法求解
  3.5  基于梯度下降法的自定义求解单变量线性回归
    3.5.1  简单二次函数的梯度下降法求极值
    3.5.2  批量梯度下降法
    3.5.3  随机梯度下降法
  3.6  多变量线性回归问题
    3.6.1  基于scikit-learn库求解
    3.6.2  基于最小二乘法自定义求解
    3.6.3  基于梯度下降法自定义求解
    3.6.4  数据归一化问题
    3.6.5  高阶拟合问题
  本章小结
  课后习题
第4章  逻辑斯蒂分类及其Python实现
  4.1  逻辑斯蒂分类简介
  4.2  二分类逻辑斯蒂分类问题
  4.3  基于scikit-learn库求解二分类逻辑斯蒂分类问题
    4.3.1  scikit-learn库的LogisticRegression类说明
    4.3.2  求解步骤与编程实现
  4.4  基于梯度下降法求解二分类逻辑斯蒂分类
    4.4.1  确定优化目标
    4.4.2  梯度计算
    4.4.3  Python编程实现
  4.5  分类模型的评价
    4.5.1  分类模型的评价方法
    4.5.2  正确率、精准率、召回率和F1指数
    4.5.3  ROC曲线
  4.6  非线性分类问题
    4.6.1  非线性分类问题的提出与分析
    4.6.2  基于scikit-learn库的求解实现
  4.7  正则化问题
    4.7.1  正则化问题的提出与分析
    4.7.2  正则化问题的求解实现
  4.8  多分类逻辑斯蒂分类
    4.8.1  问题提出与分析
    4.8.2  基于scikit-learn库的求解实现
    4.8.3  基于梯度下降法的自定义求解实现
  本章小结
  课后习题
第5章  最大熵模型及其Python实现
  5.1  最大熵模型简介

  5.2  最大熵模型定义与对偶形式
    5.2.1  最大熵模型的定义
    5.2.2  最大熵模型的对偶形式
    5.2.3  最大熵模型的应用举例
    5.2.4  最大熵模型与Softmax分类器
  5.3  最大熵模型的优化算法及Python实现
    5.3.1  通用迭代尺度算法
    5.3.2  基于GIS算法的最大熵模型的Python实现
    5.3.3  改进的迭代尺度算法
    5.3.4  基于IIS算法的最大熵模型的Python实现
  5.4  熵相关指标总结
  本章小结
  课后习题
第6章  K-近邻分类与K-均值聚类及其Python实现
  6.1  “近邻”与分类和聚类
  6.2  K-近邻分类
    6.2.1  K-近邻分类的定义
    6.2.2  自定义程序实现K-近邻分类算法
    6.2.3  K-近邻分类模型的3个基本要素
    6.2.4  基于scikit-learn库实现K-近邻分类算法
    6.2.5  K-近邻分类算法的优缺点分析
  6.3  K-均值聚类
    6.3.1  K-均值聚类算法的定义
    6.3.2  自定义程序实现K-均值聚类算法
    6.3.3  基于scikit-learn库实现K-均值聚类算法
  本章小结
  课后习题
第7章  朴素贝叶斯分类及其Python实现
  7.1  贝叶斯分类简介
  7.2  朴素贝叶斯分类的定义、推导与建模
    7.2.1  定义与推导
    7.2.2  对房屋是否好卖预测案例的建模与计算
  7.3  自定义程序实现朴素贝叶斯分类
    7.3.1  建立特征矩阵
    7.3.2  计算先验概率
    7.3.3  进行预测
    7.3.4  Python编程实现
  7.4  基于scikit-learn库实现朴素贝叶斯分类
    7.4.1  scikit-learn库的MultinomialNB类说明
    7.4.2  求解步骤与编程实现
  7.5  连续型特征值的朴素贝叶斯分类
    7.5.1  问题定义与分析
    7.5.2  基于scikit-learn库的GaussianNB类实现
  本章小结
  课后习题
第8章  决策树及其Python实现
  8.1  决策树简介
  8.2  ID3决策树
    8.2.1  ID3决策树的基本原理
    8.2.2  基于NumPy库构建ID决策树

    8.2.3  用ID3决策树实现分类
  8.3  CART决策树
    8.3.1  CART决策树的基本原理
    8.3.2  scikit-learn库的DecisionTreeRegressor类介绍
    8.3.3  基于scikit-learn库构建CART决策树
    8.3.4  用CART回归树实现预测
  本章小结
  课后习题
第9章  神经网络及其Python实现
  9.1  神经网络简介
  9.2  TensorFlow
    9.2.1  TensorFlow简介
    9.2.2  TensorFlow2.0的安装
    9.2.3  TensorFlow2.0的张量
    9.2.4  TensorFlow2.0的基本运算
    9.2.5  TensorFlow2.0的自动微分和梯度计算
    9.2.6  TensorFlow2.0的常用模块
  9.3  Keras
    9.3.1  Keras简介
    9.3.2  Keras的安装
    9.3.3  Keras的Sequential模型
    9.3.4  Keras的Model模型
  9.4  全连接神经网络及其Keras实现
    9.4.1  全连接神经网络的基本原理
    9.4.2  基于Keras库构建全连接神经网络
    9.4.3  基于Keras库训练全连接神经网络
    9.4.4  用全连接神经网络实现图像识别
  9.5  全连接神经网络的自定义程序实现
    9.5.1  全连接神经网络类的定义
    9.5.2  激活函数和损失函数的定义
    9.5.3  全连接神经网络模型的定义
    9.5.4  训练函数的定义
    9.5.5  测试函数的定义
    9.5.6  主函数的定义
  9.6  卷积神经网络及其TensorFlow实现
    9.6.1  卷积神经网络的基本原理
    9.6.2  基于TensorFlow库构建卷积神经网络
    9.6.3  基于TensorFlow库训练卷积神经网络
    9.6.4  用卷积神经网络实现图像识别
  9.7  卷积神经网络的AlexNet编程实现
    9.7.1  准备工作
    9.7.2  AlexNet类的定义
    9.7.3  主函数的定义
  本章小结
  课后习题
第10章  图像识别领域的应用案例
  10.1  图像识别问题简介
  10.2  CIFAR10数据集
    10.2.1  数据集简介
    10.2.2  数据预处理和加载cifar10_reader.py

  10.3  基于K-近邻分类的图像识别
    10.3.1  问题分析
    10.3.2  数据采样
    10.3.3  数据间距离计算
    10.3.4  实现K-近邻分类算法
    10.3.5  用常规验证方法选取K值
    10.3.6  用交叉验证法选取K值
  10.4  基于逻辑斯蒂分类的图像识别
    10.4.1  自定义程序实现图像识别
    10.4.2  基于LogisticRegression类实现图像识别
  10.5  基于最大熵模型的图像识别
    10.5.1  Softmax分类器
    10.5.2  加载和预处理数据
    10.5.3  实现图像识别
    10.5.4  归一化方法的影响
  10.6  基于朴素贝叶斯分类的图像识别
    10.6.1  连续型特征值的朴素贝叶斯图像识别
    10.6.2  离散型特征值的朴素贝叶斯图像识别
  10.7  基于全连接神经网络的图像识别
    10.7.1  基于Keras实现全连接神经网络图像识别
    10.7.2  自定义程序实现双层全连接神经网络
    10.7.3  使用自定义TwoLayerNet类进行图像分类
  10.8  基于卷积神经网络的图像识别
    10.8.1  基于基础卷积神经网络实现图像识别
    10.8.2  基于VGGNet实现图像识别
    10.8.3  基于ResNet实现图像识别
  本章小结
  课后习题

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目