人工智能 类型
可以朗读 语音朗读
143千字 字数
2021-06-01 发行日期
展开全部

主编推荐语

本书利用Python实现人工智能，包括基础概念、实例和经典应用，助读者掌握程序设计方法。

内容简介

本书以Python为平台，以将概念、实例和经典应用相结合的方式，介绍如何利用Python实现人工智能。全书分为9章，内容包括：人工智能的基础，人工智能背景下的科学计算，人工神经网络，迁移学习，网络爬虫，智能数据分析，机器学习，智能模型分析，人工智能的应用。为了帮助读者更好地掌握相关知识，书中每章节都通过理论与实例相结合的方式，让读者在掌握概念的同时，掌握程序设计方法，并能利用程序设计解决实际问题。通过阅读本书，读者可迅速掌握人工智能的概念、发展及Python在人工智能方面的应用，为进一步深入研究人工智能打下坚实基础。

目录

  • 封面
  • 版权信息
  • 内容简介
  • 前言
  • 第1章 人工智能的基础
  • 1.1 由数学建模走进人工智能
  • 1.1.1 数学建模
  • 1.1.2 人工智能背后的数学
  • 1.2 为何用Python
  • 1.2.1 选择Python的原因
  • 1.2.2 Python的优势
  • 1.2.3 Python的安装
  • 1.2.4 使用pip安装第三方库
  • 1.2.5 Python的变量
  • 1.3 第一个小程序
  • 1.4 剖析程序
  • 1.5 NumPy入门
  • 1.5.1 NumPy的用法
  • 1.5.2 广播
  • 1.5.3 向量化与“升维”
  • 1.5.4 NumPy的应用思想
  • 第2章 人工智能背景下的科学计算
  • 2.1 Pandas科学计算库
  • 2.1.1 初识Pandas
  • 2.1.2 Pandas的相关操作
  • 2.2 Matplotlib可视化库
  • 2.2.1 初识Matplotlib
  • 2.2.2 Matplotlib经典应用
  • 2.3 SciPy科学计算库
  • 2.3.1 初识SciPy
  • 2.3.2 SciPy经典应用
  • 第3章 人工神经网络
  • 3.1 人工神经网络的概念
  • 3.1.1 神经元
  • 3.1.2 人工神经网络的基本特征
  • 3.2 神经激活函数
  • 3.2.1 线性激活函数
  • 3.2.2 Sigmoid激活函数
  • 3.2.3 双曲正切激活函数
  • 3.2.4 修正线性激活函数
  • 3.2.5 PReLU激活函数
  • 3.2.6 softmax激活函数
  • 3.3 反向传播
  • 3.4 卷积神经网络
  • 3.5 循环神经网络
  • 3.5.1 普通循环神经网络
  • 3.5.2 长短期记忆单元
  • 3.6 生成对抗网络
  • 3.7 强化学习
  • 3.7.1 Q学习
  • 3.7.2 Q学习经典应用
  • 3.7.3 深度Q学习
  • 3.7.4 形式化损失函数
  • 3.7.5 深度双Q学习
  • 3.7.6 深度Q学习的经典应用
  • 3.8 受限玻尔兹曼机
  • 3.8.1 RBM的架构
  • 3.8.2 RBM的经典实现
  • 3.9 自编码器
  • 3.9.1 自编码器的架构
  • 3.9.2 自编码器的经典实现
  • 第4章 迁移学习
  • 4.1 迁移学习概述
  • 4.2 VGG16实现图像风格转移
  • 4.3 糖尿病性视网膜病变检测
  • 4.3.1 病变数据集
  • 4.3.2 损失函数定义
  • 4.3.3 类别不平衡问题
  • 4.3.4 预处理
  • 4.3.5 仿射变换产生额外数据
  • 4.3.6 网络架构
  • 4.3.7 优化器与交叉验证
  • 4.3.8 Python实现
  • 第5章 网络爬虫
  • 5.1 初识爬虫
  • 5.2 爬虫入门
  • 5.2.1 入门基础
  • 5.2.2 爬虫实战
  • 5.3 高效率爬虫
  • 5.3.1 多进程
  • 5.3.2 多线程
  • 5.3.3 协程
  • 5.4 利用Scrapy实现爬虫
  • 5.4.1 安装Scrapy
  • 5.4.2 爬取招聘信息
  • 第6章 智能数据分析
  • 6.1 数据获取
  • 6.1.1 从键盘获取
  • 6.1.2 读取与写入
  • 6.1.3 Pandas读写操作
  • 6.2 枚举算法
  • 6.2.1 枚举定义
  • 6.2.2 枚举特点
  • 6.2.3 枚举经典应用
  • 6.3 递推问题
  • 6.4 模拟问题
  • 6.5 逻辑推理问题
  • 6.6 排序问题
  • 6.6.1 冒泡排序
  • 6.6.2 选择排序
  • 6.6.3 桶排序
  • 6.6.4 插入排序
  • 6.6.5 快速排序
  • 6.6.6 归并排序
  • 6.6.7 堆排序
  • 6.7 二分查找
  • 6.8 勾股树
  • 6.9 数据分析经典案例
  • 第7章 机器学习
  • 7.1 K-Means聚类算法
  • 7.1.1 K-Means聚类算法概述
  • 7.1.2 目标函数
  • 7.1.3 K-Means聚类算法流程
  • 7.1.4 K-Means聚类算法的优缺点
  • 7.1.5 K-Means聚类算法经典应用
  • 7.2 kNN算法
  • 7.2.1 kNN算法基本思想
  • 7.2.2 kNN算法的重点
  • 7.2.3 kNN算法经典应用
  • 7.3 朴素贝叶斯算法
  • 7.3.1 贝叶斯定理
  • 7.3.2 朴素贝叶斯分类原理
  • 7.3.3 朴素贝叶斯分类流程图
  • 7.3.4 朴素贝叶斯算法的优缺点
  • 7.3.5 朴素贝叶斯算法经典应用
  • 7.4 广义线性模型
  • 7.4.1 线性模型
  • 7.4.2 线性回归
  • 7.4.3 岭回归
  • 7.4.4 套索回归
  • 7.4.5 弹性网络回归
  • 7.5 决策树算法
  • 7.5.1 决策树算法概述
  • 7.5.2 经典算法
  • 7.5.3 决策树算法经典应用
  • 7.6 随机森林
  • 7.6.1 随机森林概述
  • 7.6.2 随机森林的构建
  • 7.6.3 随机森林的优势与不足
  • 7.7 支持向量机
  • 7.7.1 分类间隔
  • 7.7.2 函数间距
  • 7.7.3 几何间距
  • 7.7.4 核函数
  • 7.7.5 支持向量机核函数的实现
  • 7.7.6 核函数与参数选择
  • 7.8 数据预处理
  • 7.9 数据降维
  • 7.10 智能推荐系统
  • 7.10.1 推荐问题的描述
  • 7.10.2 协同过滤算法
  • 7.10.3 协同过滤算法的实现
  • 第8章 智能模型分析
  • 8.1 数据表达
  • 8.2 数据升维
  • 8.3 模型评估
  • 8.4 优化模型参数
  • 8.5 可信度评估
  • 8.6 管道模型
  • 8.7 选择和参数调优
  • 第9章 人工智能的应用
  • 9.1 机器翻译
  • 9.1.1 神经机器翻译
  • 9.1.2 实现英译德
  • 9.2 机器语音识别
  • 9.2.1 CTC算法概念
  • 9.2.2 RNN+CTC模型的训练
  • 9.2.3 利用CTC实现语音识别
  • 9.3 利用OpenCV实现人脸识别
  • 9.3.1 人脸检测
  • 9.3.2 检测视频的人脸
  • 9.3.3 车牌检测
  • 9.3.4 目标检测
  • 9.4 GAN风格迁移
  • 9.4.1 DiscoGAN的工作原理
  • 9.4.2 CycleGAN的工作原理
  • 9.4.3 预处理图像
  • 9.4.4 DiscoGAN生成器
  • 9.4.5 DiscoGAN判别器
  • 9.4.6 网络构建和损失函数的定义
  • 9.4.7 构建训练过程
  • 9.4.8 启动训练
  • 9.5 利用OpenCV实现风格迁移
  • 9.6 聊天机器人
  • 9.6.1 聊天机器人架构
  • 9.6.2 序列到序列模型
  • 9.6.3 建立序列到序列模型
  • 9.6.4 实现聊天机器人
  • 9.7 餐饮菜单推荐引擎
  • 参考文献
  • 封底
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。