$Python程序设计(面向人工智能应用开发TensorFlow\Keras\PyTorch面向新工科高等院校大数据专业系列教材)$
- Python程序设计(面向人工智能应用开发TensorFlow\Keras\PyTorch面向新工科高等院校大数据专业系列教材)
- - 作者：编者:张晓华//井超//李辉|责编:王斌//解芳
  - 出版社：机械工业
  - ISBN：9787111800996
  - 出版日期：2026/02/01
  - 页数：315
- 售价：35.96

内容大纲
本书是一本Python程序设计教程，除了系统介绍Python程序开发，还重点介绍了面向人工智能应用的开发。全书共10章，内容包括Python与人工智能；Python程序设计基础；Python程序设计进阶；人工智能应用开发的常用算法与模型；NumPy：生成和处理数据；Pandas：分析数据；Matplotlib：数据可视化；使用TensorFlow开发AI应用；基于Keras的AI应用开发实践；使用PyTorch实现机器学习应用。
本书理论结合实际，具有鲜明的实践特色，能够很好地满足高校人工智能相关专业人才培养的需求和人工智能相关岗位开发者的技能提升需求。
作者介绍
目录
前言
第1章  Python与人工智能
  1.1  人工智能概述
    1.1.1  人工智能的概念
    1.1.2  人工智能的发展历程
    1.1.3  人工智能的知识体系及应用领域
  1.2  人工智能应用开发利器Python
    1.2.1  Python是什么
    1.2.2  Python的特点
    1.2.3  Python可以做什么
    1.2.4  Python与人工智能
  1.3  基于Python的主流AI开发工具
    1.3.1  NumPy库
    1.3.2  Pandas库
    1.3.3  Matplotlib库
    1.3.4  TensorFlow库
    1.3.5  Keras库
    1.3.6  PyTorch库
    1.3.7  PyTorch与TensorFlow的对比
  本章练习
第2章  Python程序设计基础
  2.1  Python的安装
    2.1.1  Python解释器的安装
    2.1.2  PyCharm集成开发环境的安装
    2.1.3  Python包管理工具pip
    2.1.4  Python相关的文件
  2.2  Python语法基础
    2.2.1  注释
    2.2.2  Python语言的关键字
    2.2.3  Python的标识符
    2.2.4  Python的内置常量
    2.2.5  Python的内置函数
  2.3  Python引用
    2.3.1  命名空间
    2.3.2  模块的导入与使用
  2.4  Python的基本数据类型
  2.5  Python的运算符与表达式
  2.6  Python的代码编写规范
  本章练习
第3章  Python程序设计进阶
  3.1  Python数据结构、程序流程控制、函数与文件
    3.1.1  Python数据结构
    3.1.2  Python程序流程控制
    3.1.3  异常处理
    3.1.4  函数
    3.1.5  文件
  3.2  Python面向对象程序设计
    3.2.1  类
    3.2.2  类方法、实例方法、静态方法
    3.2.3  对象

    3.2.4  封装、继承、多态
    3.2.5  面向对象案例精析
  本章练习
第4章  人工智能应用开发的常用算法与模型
  4.1  监督学习模型
    4.1.1  决策树
    4.1.2  贝叶斯分类算法
    4.1.3  神经网络
    4.1.4  支持向量机（SVM）
    4.1.5  集成学习分类模型
    4.1.6  其他分类学习模型
  4.2  无监督学习模型
    4.2.1  K-means聚类
    4.2.2  基于密度的聚类
    4.2.3  层次聚类方法
    4.2.4  谱聚类
  4.3  半监督学习
    4.3.1  半监督学习概述
    4.3.2  Multi-view algorithm（多视角算法）
    4.3.3  Graph-Based Algorithms（基于图的算法）
  4.4  文本处理模型
    4.4.1  分词模型
    4.4.2  TF-IDF模型
    4.4.3  LDA模型
  4.5  强化学习
    4.5.1  强化学习概述
    4.5.2  基本模型和原理
    4.5.3  网络模型设计
  4.6  深度学习
    4.6.1  概要介绍
    4.6.2  深度学习的特点
    4.6.3  深度学习的典型模型
    4.6.4  深度学习的训练过程
    4.6.5  深度学习的常见应用
  4.7  模型评价指标
    4.7.1  模型评价概述
    4.7.2  常用的模型评价方法
  4.8  人工神经网络
    4.8.1  人工神经网络概述
    4.8.2  网络模型
    4.8.3  人工神经网络的应用分析
    4.8.4  多层神经网络
    4.8.5  激活函数
    4.8.6  卷积神经网络
    4.8.7  循环神经网络
  4.9  人工智能应用的构建
    4.9.1  数据处理
    4.9.2  模型设计
    4.9.3  模型训练
    4.9.4  模型评估

    4.9.5  模型测试
    4.9.6  模型部署
  本章练习
第5章  NumPy：生成和处理数据
  5.1  NumPy的安装
  5.2  NumPy入门
    5.2.1  数值计算
    5.2.2  是否使用NumPy的运行时间对比
    5.2.3  数组和矩阵计算
  5.3  NumPy数组操作相关函数
  5.4  NumPy数学函数
    5.4.1  NumPy常用数学函数基础
    5.4.2  NumPy常用统计函数
    5.4.3  NumPy常用向量和矩阵函数
  5.5  NumPy数据分类案例
    5.5.1  线性回归的基本概念
    5.5.2  损失函数的设置
    5.5.3  Python程序实现
  本章练习
第6章  Pandas：分析数据
  6.1  Pandas
    6.1.1  Pandas的由来
    6.1.2  安装Pandas库
  6.2  Series
    6.2.1  创建Series对象
    6.2.2  Series属性
    6.2.3  Series常用方法
    6.2.4  Series对象数据绘图
  6.3  DataFrame
    6.3.1  DataFrame概念
    6.3.2  创建DataFrame对象
    6.3.3  DataFrame属性
    6.3.4  DataFrame索引和切片
    6.3.5  DataFrame数据分析
    6.3.6  DataFrame对象可视化
  6.4  基于Bank Marketing数据集的营销活动分析
    6.4.1  数据集概述和数据结构
    6.4.2  数据的基本信息
    6.4.3  客户数据分析
    6.4.4  营销活动数据分析
    6.4.5  完整代码及运行结果
  本章练习
第7章  Matplotlib：数据可视化
  7.1  Matplotlib基础
  7.2  Matplotlib常见绘图属性
    7.2.1  编写Matplotlib程序
    7.2.2  绘图参数
    7.2.3  Matplotlib的字体
    7.2.4  其他绘图设置
  7.3  Matplotlib基本绘图

    7.3.1  折线图
    7.3.2  散点图
    7.3.3  双轴图
    7.3.4  条形图
    7.3.5  直方图
    7.3.6  饼图
    7.3.7  箱型图
    7.3.8  泡泡图
    7.3.9  等高线图
    7.3.10  3D曲线图
    7.3.11  3D散点图
    7.3.12  3D等高线图
    7.3.13  3D线框图
    7.3.14  3D曲面图
  7.4  Matplotlib绘制交互式动态图形
    7.4.1  Matplotlib的事件绑定
    7.4.2  Matplotlib常用事件
    7.4.3  使用Matplotlib绘制动态图形
  7.5  使用NumPy、Pandas、Matplotlib进行电影数据分析与可视化
    7.5.1  获取数据
    7.5.2  电影评分分布图
    7.5.3  电影时长分布图
    7.5.4  统计电影分类
  本章练习
第8章  使用TensorFlow开发AI应用
  8.1  TensorFlow的基本概念
  8.2  TensorFlow运行原理
    8.2.1  张量
    8.2.2  变量
    8.2.3  数据流图和会话
  8.3  TensorFlow深度学习
    8.3.1  激活函数
    8.3.2  卷积函数
    8.3.3  池化操作
    8.3.4  分类函数
    8.3.5  优化器
  8.4  TensorFlow实践案例
    8.4.1  卷积神经网络的构建
    8.4.2  基于循环神经网络的长短期记忆模型
    8.4.3  基于简单循环神经网络的股票预测
  本章练习
第9章  基于Keras的AI应用开发实践
  9.1  Keras基础
    9.1.1  安装Keras
    9.1.2  实现卷积神经网络
    9.1.3  模型的加载及保存
  9.2  Keras中的神经网络层
    9.2.1  序列化模型
    9.2.2  函数化模型
    9.2.3  核心层

    9.2.4  优化器
    9.2.5  损失函数
    9.2.6  激活函数
  9.3  Keras案例
    9.3.1  基于Keras的电影评论分类问题
    9.3.2  基于Keras构建卷积神经网络
    9.3.3  基于Keras构建循环神经网络
  本章练习
第10章  使用PyTorch实现机器学习应用
  10.1  PyTorch开发流程
  10.2  PyTorch开发案例
    10.2.1  基于PyTorch的逻辑回归
    10.2.2  基于PyTorch构建卷积神经网络LeNet-5
    10.2.3  基于PyTorch实现循环神经网络预测
  本章练习
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目