- 基于Python学AI(从机器学习到大模型智能体开发)/人工智能核心素养与进阶系列
- - 作者：编者:陈刚//李野|责编:剧艳婕
  - 出版社：北京航空航天大学
  - ISBN：9787512452718
  - 出版日期：2027/01/01
  - 页数：430
- 售价：39.6

内容大纲
本书以“用Python学AI”为主题，帮助零基础读者从“会用AI”到“技术入门AI”。全书共12章，从Python语言基础出发，循序渐进地覆盖机器学习、深度学习、大模型原理与智能体开发等核心技术。第1章介绍AI发展简史与Python环境搭建；第2、3章讲解Python核心语法与数据处理三剑客；第4、5章系统阐述机器学习基础与主流算法；第6、7章讲解深度学习入门与核心网络结构；第8至10章聚焦大模型原理、微调对齐与部署；第11、12章探索智能体开发与行业实践。
本书遵循“跟着案例实操，跳过复杂公式；先跑通代码，再理解原理；聚焦核心工具，不贪多求全”的学习原则。每一知识点均配有精心设计的代码示例，读者可直接运行、调试、修改，在实践中深化理解。无论你是对AI充满好奇的普通读者，还是希望转型AI领域的技术人员，抑或是期待将AI应用于业务场景的从业者，本书都将帮助你一步步掌握AI开发的核心能力，助你最终能开发出属于自己的智能体。
作者介绍
目录
第1章  为什么用Python学AI
  1.1  AI发展简史
  1.2  Python在AI领域的核心优势
    1.2.1  AI开发的全栈工具箱
    1.2.2  降低AI学习的技术门槛
    1.2.3  产学研闭环的通用AI语言
  1.3  Python开发环境搭建
    1.3.1  Python语言环境安装
    1.3.2  Python虚拟环境支持
    1.3.3  PyCharm开发环境
    1.3.4  Jupyter开发环境
  1.4  小结
第2章  Python基础知识
  2.1  Python核心语法
    2.1.1  变量与数据类型
    2.1.2  类型转换
    2.1.3  if-else判断
    2.1.4  循环控制
    2.1.5  函数封装
  2.2  Python基本数据结构
    2.2.1  列表
    2.2.2  元组
    2.2.3  集合
    2.2.4  字典
    2.2.5  数据结构小结
  2.3  Python面向对象基础
    2.3.1  类的定义与实例化
    2.3.2  类的继承与多态
    2.3.3  面向对象编程小结
  2.4  Python包与模块管理
    2.4.1  包与模块的基础知识
    2.4.2  包与模块最佳实践
  2.5  常用的AI相关库简介
  2.6  小结
第3章  Python数据处理“三剑客”
  3.1  NumPy
    3.1.1  NumPy数组
    3.1.2  NumPy主要运算机制
    3.1.3  用NumPy进行数据预处理
  3.2  Pandas
    3.2.1  DataFrame
    3.2.2  数据清洗
    3.2.3  数据筛选与分组
  3.3  Matplotlib
    3.3.1  核心语法规则
    3.3.2  数据可视化———典型图表实战
    3.3.3  进阶技巧
  3.4  小结
第4章  机器学习基础
  4.1  机器学习核心认知

    4.1.1  机器学习的定义与本质:数据驱动的自主学习
    4.1.2  三大分类:有监督学习、无监督学习、强化学习
  4.2  机器学习与AI、深度学习、大模型之间的关系
    4.2.1  层级框架
    4.2.2  场景差异
  4.3  机器学习与规则编程的本质差异
    4.3.1  核心对比
    4.3.2  代码对比
  4.4  机器学习工具:从数据到模型
    4.4.1  数据预处理:复用Pandas+NumPy
    4.4.2  模型工具:Scikitlearn入门
  4.5  小结
第5章  机器学习主要算法
  5.1  回归算法
    5.1.1  回归算法基础
    5.1.2  线性回归
    5.1.3  岭回归
  5.2  分类算法
    5.2.1  分类定义
    5.2.2  逻辑回归
    5.2.3  KNN
    5.2.4  决策树
    5.2.5  SVM
    5.2.6  分类效果评估
  5.3  无监督学习算法
    5.3.1  KMeans
    5.3.2  层次聚类
    5.3.3  PCA
    5.3.4  无监督学习算法的评估
  5.4  集成算法
    5.4.1  集成学习的逻辑:Bagging与Boosting
    5.4.2  随机森林
    5.4.3  XGBoost
  5.5  小结
第6章  深度学习入门
  6.1  深度学习的起源
    6.1.1  从机器学习到深度学习
    6.1.2  深度学习的三大核心特征
  6.2  深度学习的数学基础
    6.2.1  线性代数核心工具
    6.2.2  微积分
    6.2.3  概率与统计基础
  6.3  神经网络的基本结构
    6.3.1  神经元模型
    6.3.2  神经网络的层级结构
    6.3.3  激活函数的作用与类型
  6.4  神经网络的训练原理
    6.4.1  损失函数的定义与选择
    6.4.2  反向传播算法
    6.4.3  梯度下降的变体

  6.5  深度学习通用实践基础
    6.5.1  数据预处理核心方法
    6.5.2  基础优化工具与指标
  6.6  小结
第7章  深度学习核心网络结构与实战
  7.1  卷积神经网络的原理、实战与优化
    7.1.1  CNN的核心思想与组件
    7.1.2  经典CNN架构简介
    7.1.3  基于CNN的MNIST识别
  7.2  循环神经网络的原理、实战与优化
    7.2.1  RNN的核心思想与组件
    7.2.2  RNN的梯度问题与改进
    7.2.3  实战案例:基于LSTM的时间序列预测
    7.2.4  GRU网络实战:商品销量时序预测
  7.3  自编码器的原理、实战与优化
    7.3.1  自编码器的核心思想与结构
    7.3.2  自编码器的变体与特性
    7.3.3  实战案例:基于自编码器的设备故障预测
  7.4  小结
第8章  大模型核心原理与开发工具环境
  8.1  大模型技术演进与核心原理
    8.1.1  从机器学习到大模型的技术演进
    8.1.2  大模型技术发展简史
    8.1.3  Transformer架构原理
    8.1.4  预训练与核心技术原理
  8.2  开发工具与环境全配置
    8.2.1  UV虚拟环境的搭建
    8.2.2  核心依赖安装
    8.2.3  深度解析核心开发工具
  8.3  小结
第9章  从零开始实现大模型
  9.1  预训练大模型的核心原理
    9.1.1  Decoderonly:预训练大模型的主流架构
    9.1.2  自回归预训练任务:因果语言建模
  9.2  自定义语料构建
    9.2.1  语料设计思路
    9.2.2  最终语料
  9.3  数据预处理
    9.3.1  环境准备
    9.3.2  构建词汇表
    9.3.3  语料编码
    9.3.4  构建训练数据集
    9.3.5  数据加载器
  9.4  核心组件实现
    9.4.1  位置编码
    9.4.2  掩码自注意力
    9.4.3  TransformerDecoder块
  9.5  完整模型定义
  9.6  预训练任务设计
  9.7  模型训练与验证

  9.8  模型推理与文本生成
  9.9  大模型预训练优化思路
    9.9.1  大模型语料
    9.9.2  分词器tokenizer
    9.9.3  工程优化
  9.10  大模型的能力疑惑
  9.11  小结
第10章  大模型微调、对齐、压缩与部署
  10.1  大模型微调技术解析及实践
    10.1.1  什么是大模型微调
    10.1.2  为什么需要微调
    10.1.3  微调技术的演化
    10.1.4  微调实操
  10.2  模型对齐
    10.2.1  对齐技术的原理
    10.2.2  对齐技术进化史
    10.2.3  对齐技术代码实践
  10.3  模型压缩
    10.3.1  大模型压缩三大核心路径
    10.3.2  Distilgpt2模型量化实践
  10.4  模型部署
    10.4.1  个人计算机轻量化部署
    10.4.2  企业工程化部署
  10.5  模型调用
    10.5.1  LangChain框架介绍
    10.5.2  LangChain连接DeepSeekAPI实践
  10.6  小结
第11章  基于大模型的智能体开发技术
  11.1  大模型智能体概述
    11.1.1  从经典AI到现代大模型智能体
    11.1.2  大模型智能体的核心架构
  11.2  提示词工程
    11.2.1  提示词工程的价值
    11.2.2  核心提示词技巧
  11.3  检索增强生成的原理与实现
    11.3.1  RAG的核心价值
    11.3.2  基于LangChain+Chroma的RAG实现
  11.4  大模型智能体的开发
    11.4.1  LangChainAgent核心组件解析
    11.4.2  LangChainAgent的工作机制与执行流程
    11.4.3  LangChainAgent的核心优势与MCP协议集成
  11.5  实践案例:从单智能体到多智能体
    11.5.1  RAG增强的产品问题Agent
    11.5.2  MCP跨平台智能体
    11.5.3  多智能体协作系统
  11.6  小结
第12章  AI智能体应用案例实践
  12.1  使用Coze改写微信文章并发布到公众号
    12.1.1  获取微信公众号信息
    12.1.2  新建Coze工作流

    12.1.3  新增及设置工作流节点
    12.1.4  测试工作流
  12.2  使用Dify搭建AI电子客服机器人
    12.2.1  准备知识库数据
    12.2.2  新建DifyChatflow
    12.2.3  设计Dify工作流
    12.2.4  测试Dify工作流
  12.3  使用n8n通过接口请求自动发送邮件
  12.4  使用LangGraph多运维智能体进行故障诊断
    12.4.1  构建模拟数据
    12.4.2  构建LangGraph运行图
    12.4.3  运行测试
  12.5  个人助理智能体的安装使用OpenClawAgent
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