相關主題
商品描述
本書在校企合作的基礎上編寫而成，在講述人工智慧理論的基礎上突出工程應用性與實踐性，選用了適用於人工智慧專案研發的Python程式語言。第1章為人工智慧導論。第2章介紹Python程式設計基礎。第3章介紹Numpy、Matplotlib與Pandas。第4章介紹sklearn及Inforstack免費線上機器學習組件功能。第5章介紹資料預處理。第6章與第7章分別介紹監督學習與非監督學習常用演算法，並分別使用Inforstack學習平台建模與Python語言程式設計實作。第8章介紹語音互動、視覺處理與OpenCV影像處理。第9章介紹人工神經網路與深度學習及Tensorflow、PyTorch的應用。第10章為人工智慧綜合應用案例。 本書既可作為高等院校開設人工智慧、大數據分析課程的教材，也適合Python學習者及人工智慧、大數據分析技術人員作為學習或參考用書。
目錄大綱
前言
第1章?人工智慧導論 1
1.1?人工智慧技術及其發展 1
1.1.1?人工智慧技術的發展歷程 1
1.1.2?人工智慧技術簡介 1
1.1.3?Python語言與人工智慧 3
1.2?教學實驗平台推薦 3
1.2.1?Inforstack大數據應用平台 3
1.2.2?語音與視覺智慧實驗套件簡介 6
習題 11
第2章?Python程式設計基礎 12
2.1?基礎語法 12
2.1.1?Python語言概述 12
2.1.2?Python語言安裝與設定 12
2.1.3?Python基礎語法 14
2.2?程序的控制結構 22
2.2.1?選擇結構 22
2.2.2?循環結構 24
2.3?內建函數、常用模組的導入與呼叫 26
2.3.1?常用內建函數 26
2.3.2 標準庫（模組）的導入與
調用 27
2.4?列表、元組、字典與集合資料型態 29
2.4.1?序列類型 29
2.4.2?列表 30
2.4.3?元組 32
2.4.4?序列的公共基本操作 32
2.4.5?字典及其操作 35
2.4.6?集合及其操作 37
2.5?函數與模組 38
2.5.1?函數 38
2.5.2?自訂模組與套件 44
2.6?物件導向的程式設計技術 46
2.6.1?物件導向程式設計的基本概念 46
2.6.2?類別的定義與物件創建 46
2.6.3?屬性 47
2.6.4?方法 49
2.6.5?繼承性 50
2.6.6?多態性 51
2.7?程序的異常處理 52
2.8?使用者介面設計 53
2.8.1?Tkinter使用者介面設計 53
2.8.2?Tkinter畫布繪圖 58
2.9?文件與資料庫操作 61
2.9.1?文件操作 61
2.9.2?資料庫操作 64
習題 67
第3章?科學計算與資料分析庫 68
3.1?Anaconda安裝及其整合開發環境 68
3.1.1 Anaconda安裝 68
3.1.2 Anaconda整合開發環境簡介 68
3.2?Numpy的向量和矩陣操作處理 71
3.2.1?Numpy數組的建立與操作 71
3.2.2?Numpy的矩陣物件及操作 76
3.3?Matplotlib資料視覺化 77
3.3.1?Matplotlib及其圖形繪製流程 77
3.3.2?圖形繪製與顯示實例 78
3.4?Pandas資料分析與處理 84
3.4.1?Pandas及其資料結構 84
3.4.2 DataFrame中的資料選取及
操作 86
3.4.3?Pandas讀寫文件操作 87
習題 88
第4章?機器學習簡介 89
4.1?機器學習的概念 89
4.2?機器學習庫sklearn 89
4.3?機器學習組件Inforstack 90
習題 91
第5章?資料預處理 92
5.1?預處理資料 92
5.2?資料清洗 92
5.2.1?缺失值處理 92
5.2.2?異常值識別 94
5.2.3?噪音處理 95
5.2.4?不一致數據 96
5.3?資料變換 96
5.3.1?屬性構造 97
5.3.2?規範化 97
5.3.3?屬性編碼 98
5.3.4?離散化 100
5.4?資料歸約 104
5.4.1?數據聚集 104
5.4.2?維度歸約 104
5.4.3?樣本抽樣 107
5.5?資料整合 109
習題 109
第6章?督導學習 110
6.1?監督學習的概念 110
6.2?模型評價 111
6.2.1 評估方法 111
6.2.2 評估指標 112
6.2.3 參數調優 115
6.3?決策樹演算法 116
6.3.1 決策樹演算法介紹 116
6.3.2 決策樹演算法實作 117
6.3.3 決策樹演算法應用案例 118
6.4?K近鄰演算法 129
6.4.1 K近鄰演算法介紹 129
6.4.2 K近鄰演算法實作 130
6.4.3 K近鄰演算法應用案例 131
6.5?樸素貝葉斯演算法 135
6.5.1 貝葉斯定理 135
6.5.2 樸素貝葉斯演算法實作 136
6.5.3 樸素貝葉斯演算法應用案例 137
6.6?支援向量機演算法 142
6.6.1 支援向量機演算法介紹 142
6.6.2?支持向量機演算法實作 142
6.6.3 支援向量機演算法應用案例 148
6.7?線性迴歸 152
6.7.1 線性迴歸演算法介紹 152
6.7.2 線性迴歸演算法實作 153
6.7.3 線性迴歸演算法應用案例 155
6.8?邏輯迴歸 161
6.8.1 邏輯迴歸演算法介紹 161
6.8.2 邏輯迴歸演算法實作 163
6.8.3 邏輯迴歸演算法應用案例 163
6.9?隨機森林演算法 168
6.9.1 整合學習簡介 168
6.9.2 隨機森林演算法實作 169
6.9.3 隨機森林演算法應用案例 170
習題 177
第7章?非監督學習 178
7.1 K-均值演算法 178
7.1.1 聚類演算法簡介 178
7.1.2 K-均值演算法實作 178
7.1.3 K-均值演算法應用案例 179
7.2 Apriori演算法 185
7.2.1 關聯規則的基本概念 185
7.2.2 Apriori演算法實作 187
7.2.3 Apriori演算法應用案例 188
7.3 降維演算法 193
7.3.1 降維演算法介紹 193
7.3.2 降維演算法實作 193
7.3.3 降維演算法應用案例 194
習題 197
第8章 自然語言與電腦視覺
處理 198
8.1 自然語言處理 198
8.1.1 自然語言處理基礎 198
8.1.2 語音互動技術基礎及應用
案例 199
8.2 計算機視覺處理 208
8.2.1 影像處理與OpenCV入門 208
8.2.2 電腦視覺處理基礎及
應用實例 215
習題 219
第9章?人工神經網路與深度學習 220
9.1 人工神經網路與深度學習基礎 220
9.1.1 人工神經網路基礎 220
9.1.2 深度學習 222
9.2 Tensorflow入門 224
9.2.1 Tensorflow安裝與基本API的
使用 224
9.2.2 基於Tensorflow的語音訓練
與識別 226
9.2.3 基於Tensorflow的影像數據
訓練與辨識 229
9.3 人工智慧視覺模型及模型的終端
部署 234
9.3.1 PyTorch簡介 234
9.3.2 Yolov5基於CUDA的模型
部署 234
9.3.3 下載原始碼及模型 239
9.3.4 實作使用GPU進行目標偵測 239
9.4 Inforstack深度學習元件 240
9.4.1 Inforstack平台內建BP神經
網路節點 240
9.4.2 Inforstack平台內建深度學習
節點 241
習題 241
第10章?人工智慧綜合應用案例 242
10.1 客戶流失模型建立與評估 242
10.1.1 案例概述 242
10.1.2 資料集 243
10.1.3 資料準備 244
10.1.4 流失客戶特徵分析 248
10.1.5 特徵重要性分析 250
10.1.6 樣本均衡性 250
10.1.7 模型建構與評估 251
10.1.8 模型應用 253
10.2 商品價格預測模型建立與評估 253
10.2.1 案例概述 253
10.2.2 資料集 253
10.2.3 變數相關性 255
10.2.4 模型建構與評估 258
10.2.5 模型應用 260
10.3 基於深度學習的產品缺陷檢測 261
10.3.1 案例概述 261
10.3.2 資料集 261
10.3.3 Keras導入與資料準備 262
10.3.4 模型建構與評估 263
10.4 垃圾智慧分類系統 264
10.4.1 垃圾智慧分類系統技術基礎 264
10.4.2 垃圾智慧分類系統設計
與實現 275
習題 281
參考文獻 282
