Python人工智能

楊博雄 主編,於營、肖衡、潘玉霞、高華玲、梁志勇 副主編

  • Python人工智能-preview-1
  • Python人工智能-preview-2
  • Python人工智能-preview-3
Python人工智能-preview-1

買這商品的人也買了...

相關主題

商品描述

本書巧妙地將Python語言與人工智能知識結合在一起進行編排,使讀者既能全面學習Python編程語言,又能系統瞭解人工智能基本原理並深入掌握人工智能特別是新一代人工智能關鍵技術,同時配有豐富的教學案例和前沿熱點應用,每一個知識點都有對應Python語言實現。 全書共分為9章。第1章主要講解人工智能的發展歷史、驅動因素以及關鍵技術等。第2章為Python編程語言,系統介紹Python的語法規則、數據類型、程序結構及文件操作和圖形化編程等。第3章為概率統計基礎,是人工智能的理論基礎。第4章為最優化方法,解釋人工智能算法本質問題。第5章深度學習與神經網絡是本書的重點章節,該章對當前基於深度學習的多層神經網絡,如捲積神經網絡、遞歸/循環神經網絡、長短期記憶神經網絡等進行全面、深入的講解。第6章TensorFlow深度學習,重點介紹深度學習開源框架TensorFlow的使用方法及如何利用TensorFlow開發和部署各種深度學習模型。第7章數據採集與數據集製作,詳細介紹如何通過網絡爬蟲等方法從互聯網上搜集數據並製作成數據集。第8章詳細闡述如何利用GPU並行計算設備和CUDA編程來加速人工智能深度學習的模型訓練。第9章精心挑選了7個人工智能實驗案例,包括數據智能分析、視頻圖像智能理解、自然語言處理等各個方面,從簡到難,可以作本書配套的實驗教學內容。 本書可作為人工智能、電腦、電子信息、智能科學與技術、數據科學與大數據、機器人工程等專業的高年級本科生以及研究生的學慣用書,也可作為從事人工智能研究與開發的科研人員、工程技術人員及智能應用愛好者的參考書籍。

作者簡介

楊博雄,博士,武漢大學測繪遙感信息工程國家重點實驗室博士後,碩士研究生導師,三亞學院信息與智能工程學院副院長、教授,海南省人工智能學會人工智能教育委員會副主任、區塊鏈委員會委員。
長期從事物聯網、雲計算、大數據、高性能計算、人工智能等方面的研究與教學工作。
主持/參與多項國家及省部級科研項目,在國內外學術期刊上發表論文20餘篇。
獲批發明專利5部,軟件著作權10部。出版專著2部,教材2部。
 

目錄大綱

目錄

第1章概述
1.1引言
1.2人工智能的概念與定義
1.3人工智能三大學派
1.3.1符號主義學派
1.3.2連接主義學派
1.3.3行為主義學派
1.4人工智能起源與發展
1.5新一代人工智能的驅動因素
1.5.1數據量爆發性增長
1.5.2計算能力大幅提升
1.5.3深度學習等算法發展
1.5.4移動AI創新應用牽引
1.6人工智能關鍵技術
1.6.1機器學習與深度學習
1.6.2知識圖譜
1.6.3自然語言處理
1.6.4人機交互
1.6.5電腦視覺
1.6.6生物特徵識別
1.6.7SLAM技術
1.6.8VR/AR/MR技術
本章小結
課後思考題

第2章Python 編程語言
2.1Python簡介
2.1.1Python語言的發展
2.1.2Python開發環境的安裝
2.1.3Python運行
2.2Python基本語法與數據類型
2.2.1用程序實現問題求解
2.2.2Python程序語法元素
2.2.3常用函數
2.2.4Python基本數據類型
2.2.5Python組合數據類型
2.3Python程序結構
2.3.1分支結構
2.3.2循環結構
2.3.3循環保留字
2.3.4異常處理
2.4Python函數與模塊化編程
2.4.1函數的基本使用
2.4.2參數的傳遞
2.4.3函數的返回值
2.4.4變量的作用域
2.4.5匿名函數
2.4.6函數應用
2.4.7代碼復用與模塊化編程
2.5Python面向對象編程
2.5.1類的定義與使用
2.5.2屬性和方法
2.5.3繼承
2.6Python文件操作與圖形化編程
2.6.1文件的基本操作
2.6.2圖形化界面tkinter
2.6.3單詞練習系統
本章小結
課後思考題

第3章概率統計基礎
3.1概率論
3.1.1概率與條件概率
3.1.2隨機變量
3.1.3離散隨機變量分佈Python實驗
3.1.4連續隨機變量分佈Python實驗
3.2數理統計基礎
3.2.1總體和樣本
3.2.2統計量與抽樣分佈
3.2.3大數定律與中心極限定理
3.3參數估計
3.3.1點估計
3.3.2評價估計量的標準
3.3.3區間估計
本章小結
課後思考題

第4章最優化方法
4.1最優化方法基礎
4.1.1最優化問題數學模型
4.1.2最優化問題的分類及應用案例
4.1.3數學基礎
4.2凸優化
4.2.1凸集
4.2.2凸函數
4.2.3凸優化概念
4.2.4Python舉例
4.3最小二乘法
4.3.1最小二乘法原理
4.3.2Python舉例
4.4梯度下降法
4.4.1梯度下降思想
4.4.2梯度下降法算法步驟
4.4.3梯度算法分類
4.4.4Python舉例
4.5牛頓法
4.5.1牛頓法的基本原理
4.5.2牛頓法的步驟
4.5.3牛頓法求解無約束優化問題
4.5.4Python舉例
4.6共軛梯度法
4.6.1共軛方向
4.6.2共軛梯度法基本原理
4.6.3共軛梯度法迭代步驟
4.6.4Python舉例
本章小結
課後思考題

第5章深度學習與神經網絡
5.1深度學習
5.1.1深度學習概念
5.1.2深度學習原理
5.1.3深度學習訓練
5.2人工神經網絡基礎
5.2.1神經元感知器
5.2.2神經網絡模型
5.2.3學習方式
5.2.4學習規則
5.2.5激活函數
5.2.6梯度下降法
5.2.7交叉熵損失函數
5.2.8過擬合與欠擬合
5.3捲積神經網絡
5.3.1捲積神經網絡簡介
5.3.2捲積神經網絡結構
5.3.3捲積神經網絡計算
5.3.4典型捲積神經網絡
5.4循環神經網絡
5.4.1循環神經網絡簡介
5.4.2循環神經網絡結構
5.4.3循環神經網絡計算
5.5長短時記憶網絡
5.5.1長短時記憶網絡簡介
5.5.2長短時記憶網絡結構
5.5.3長短時記憶網絡計算
本章小結
課後思考題

第6章TensorFlow深度學習
6.1引言
6.2TensorFlow技術特點
6.3TensorFlow組件結構
6.4TensorFlow編程基礎
6.4.1TensorFlow程序結構
6.4.2TensorFlow編程模型
6.4.3TensorFlow常用API
6.4.4TensorFlow變量作用域
6.4.5TensorFlow批標準化
6.5TensorFlow神經網絡模型構建
6.5.1神經元函數及優化方法
6.5.2捲積函數
6.5.3池化函數
6.5.4分類函數
6.5.5優化方法
6.6TensorFlow運行環境安裝
6.6.1Python安裝
6.6.2pip工具安裝
6.6.3Sublime安裝
6.7TensorFlow深度學習模型構建
6.7.1生成擬合數據集
6.7.2構建線性回歸模型數據流圖
6.7.3在Session中運行已構建的數據流圖
6.7.4輸出擬合的線性回歸模型
6.7.5TensorBoard神經網絡數據流圖可視化
本章小結
課後思考題

第7章數據採集與數據集製作
7.1引言
7.2Python數據採集
7.2.1Web機制和爬蟲原理
7.2.2Python第三方庫
7.2.3爬蟲三大庫
7.2.4正則表達式
7.2.5使用API
7.2.6爬蟲進階
7.3訓練數據集製作
7.3.1數據存取
7.3.2數據清洗
7.4數據採集與數據集製作示例
本章小結
課後思考題

第8章GPU並行計算與CUDA編程
8.1引言
8.2GPU通用計算
8.2.1馮·諾依曼體系架構
8.2.2GPU發展簡介
8.2.3早期的GPGPU編程
8.2.4NVIDIA和CUDA
8.3CUDA
8.3.1GPU硬件
8.3.2CPU與GPU
8.3.3GPU的計算能力
8.3.4CUDA軟件架構
8.3.5CUDA硬件框架
8.3.6CUDA編程模型
8.3.7深度學習與GPU加速度計算
8.3.8深度學習下CUDA環境搭建
8.4CUDA加速深度學習的案例
8.4.1CUDA在TensorFlow框架里的應用
8.4.2CUDA在PyTorch框架里的應用
本章小結
課後思考題

第9章Python人工智能實驗
9.1曲線擬合實驗
9.1.1實驗內容
9.1.2實驗步驟
9.2泰坦尼克號乘客死亡概率預測
9.2.1實驗內容
9.2.2實驗步驟
9.3股票預測
9.3.1實驗內容
9.3.2實驗步驟
9.4車牌識別
9.4.1實驗內容
9.4.2實驗步驟
9.5佩戴口罩識別
9.5.1實驗內容
9.5.2實驗步驟
9.6自動作詩實驗
9.6.1實驗內容
9.6.2實驗步驟
9.7聊天機器人實驗
9.7.1實驗內容
9.7.2實驗步驟
本章小結
課後思考題