《人工智能应用实践教程（Python实现）》陈景强

如何自学 占星术 占星教程网盘 塔罗牌教程百度网盘

《人工智能应用实践教程（Python实现）》陈景强【文字版_PDF电子书_】

内容简介：

本书主要介绍主流的人工智能理论、算法以及Python实现方法，目的是使学生学会人工智能理论及推导过程，并且掌握调用Python人工智能库和自定义编码的方法。全书共分10章，分别为人工智能与Python概述、Python基础、线性回归及其Python实现、逻辑斯蒂分类及其Python实现、最大熵模型及其Python实现、K-近邻分类与K-均值聚类及其Python实现、朴素贝叶斯分类及其Python实现、决策树及其Python实现、神经网络及其Python实现、图像识别领域的应用案例。

本书可作为计算机专业相关课程的教材，也可作为程序设计人员的参考书。

作者简介：

陈景强

教学经历：担任《高级语言程序设计A》、《面向对象程序设计及C++》、《Python语言程序设计》、《Python编程及人工智能应用》教学工作;担任贝尔学院《高级语言程序设计A》课程负责人、《Python编程及人工智能应用》课程负责人。 科研经历：研究方向为自动摘要、自然语言处理、人工智能，以第一作者身份在EMNLP、FGCS等高水平国际会议和期刊上发表文章7篇，主持并结题国家自然科学基金青年基金1项，主持并结题江苏省自然科学基金青年基金1项。

目  录：

第1章 人工智能与Python概述 1

1.1 人工智能的起源与发展 1

1.2 人工智能的核心概念 3

1.2.1 人工智能的三大学派 3

1.2.2 强人工智能与弱人工智能 4

1.3 人工智能的分支领域 5

1.3.1 机器学习与深度学习 5

1.3.2 人工智能的应用分支领域 7

1.4 人工智能行业应用与人才需求 9

1.4.1 人工智能行业应用举例 9

1.4.2 人工智能人才需求 11

1.5 Python与人工智能的关系 12

1.6 Python人工智能开发环境安装 13

1.6.1 Python的安装和运行 13

1.6.2 人工智能开发库的安装 15

1.6.3 Python集成开发环境 16

1.6.4 Anaconda 18

本章小结 19

课后习题 19

第2章 Python基础 21

2.1 基本语法 21

2.1.1 对象及其类型 21

2.1.2 变量和赋值 22

2.1.3 运算符和表达式 23

2.1.4 字符串 24

2.1.5 流程控制 26

2.2 组合数据类型 28

2.2.1 列表(list) 29

2.2.2 元组(tuple) 30

2.2.3 字典(dict) 31

2.2.4 集合(set和frozenset) 33

2.3 函数 34

2.3.1 函数的定义和调用 34

2.3.2 匿名函数与lambda关键字 35

2.4 异常处理和文件操作 35

2.4.1 异常处理 35

2.4.2 文件处理的一般过程 36

2.4.3 文件的写操作 36

2.4.4 文件的读操作 37

2.5 面向对象程序设计 37

2.5.1 类和对象 37

2.5.2 类的继承 39

2.6 数值计算库NumPy 39

2.6.1 NumPy多维数组 39

2.6.2 NumPy数组的索引和切片 44

2.6.3 NumPy数组的运算 45

2.6.4 NumPy数组的读写操作 46

2.6.5 NumPy中的数据统计与分析 47

本章小结 49

课后习题 49

第3章 线性回归及其Python实现 53

3.1 线性回归问题简介 53

3.2 单变量线性回归问题 54

3.3 基于scikit-learn库求解单变量线性回归 55

3.3.1 scikit-learn库的LinearRegression类说明 55

3.3.2 求解步骤与编程实现 56

3.3.3 基于scikit-learn库的模型评价 58

3.4 基于最小二乘法的自定义求解单变量线性回归 61

3.4.1 使用导数法求解 61

3.4.2 使用矩阵法求解 64

3.5 基于梯度下降法的自定义求解单变量线性回归 65

3.5.1 简单二次函数的梯度下降法求极值 65

3.5.2 批量梯度下降法 67

3.5.3 随机梯度下降法 70

3.6 多变量线性回归问题 71

3.6.1 基于scikit-learn库求解 72

3.6.2 基于最小二乘法自定义求解 72

3.6.3 基于梯度下降法自定义求解 73

3.6.4 数据归一化问题 74

3.6.5 高阶拟合问题 75

本章小结 77

课后习题 77

第4章 逻辑斯蒂分类及其Python实现 79

4.1 逻辑斯蒂分类简介 79

4.2 二分类逻辑斯蒂分类问题 81

4.3 基于scikit-learn库求解二分类逻辑斯蒂分类问题 83

4.3.1 scikit-learn库的LogisticRegression类说明 83

4.3.2 求解步骤与编程实现 84

4.4 基于梯度下降法求解二分类逻辑斯蒂分类 86

4.4.1 确定优化目标 86

4.4.2 梯度计算 87

4.4.3 Python编程实现 88

4.5 分类模型的评价 90

4.5.1 分类模型的评价方法 90

4.5.2 正确率、精准率、召回率和F1指数 90

4.5.3 ROC曲线 93

4.6 非线性分类问题 94

4.6.1 非线性分类问题的提出与分析 94

4.6.2 基于scikit-learn库的求解实现 96

4.7 正则化问题 97

4.7.1 正则化问题的提出与分析 97

4.7.2 正则化问题的求解实现 98

4.8 多分类逻辑斯蒂分类 100

4.8.1 问题提出与分析 100

4.8.2 基于scikit-learn库的求解实现 101

4.8.3 基于梯度下降法的自定义求解实现 102

本章小结 103

课后习题 103

第5章 优选熵模型及其Python实现 105

5.1 优选熵模型简介 105

5.2 优选熵模型定义与对偶形式 106

5.2.1 优选熵模型的定义 106

5.2.2 优选熵模型的对偶形式 107

5.2.3 优选熵模型的应用举例 109

5.2.4 优选熵模型与Softmax分类器 111

5.3 优选熵模型的优化算法及Python实现 111

5.3.1 通用迭代尺度算法 111

5.3.2 基于GIS算法的优选熵模型的Python实现 112

5.3.3 改进的迭代尺度算法 115

5.3.4 基于IIS算法的优选熵模型的Python实现 117

5.4 熵相关指标总结 119

本章小结 121

课后习题 121

第6章 K-近邻分类与K-均值聚类及其Python实现 122

6.1 “近邻”与分类和聚类 122

6.2 K-近邻分类 122

6.2.1 K-近邻分类的定义 122

6.2.2 自定义程序实现K-近邻分类算法 123

6.2.3 K-近邻分类模型的3个基本要素 125

6.2.4 基于scikit-learn库实现K-近邻分类算法 126

6.2.5 K-近邻分类算法的优缺点分析 127

6.3 K-均值聚类 129

6.3.1 K-均值聚类算法的定义 129

6.3.2 自定义程序实现K-均值聚类算法 130

6.3.3 基于scikit-learn库实现K-均值聚类算法 131

本章小结 132

课后习题 132

第7章 朴素贝叶斯分类及其Python实现 134

7.1 贝叶斯分类简介 134

7.2 朴素贝叶斯分类的定义、推导与建模 135

7.2.1 定义与推导 135

7.2.2 对房屋是否好卖预测案例的建模与计算 136

7.3 自定义程序实现朴素贝叶斯分类 138

7.3.1 建立特征矩阵 138

7.3.2 计算先验概率 138

7.3.3 进行预测 139

7.3.4 Python编程实现 140

7.4 基于scikit-learn库实现朴素贝叶斯分类 141

7.4.1 scikit-learn库的MultinomialNB类说明 141

7.4.2 求解步骤与编程实现 142

7.5 连续型特征值的朴素贝叶斯分类 143

7.5.1 问题定义与分析 143

7.5.2 基于scikit-learn库的GaussianNB类实现 145

本章小结 145

课后习题 146

第8章 决策树及其Python实现 148

8.1 决策树简介 148

8.2 ID3决策树 149

8.2.1 ID3决策树的基本原理 149

8.2.2 基于NumPy库构建ID3决策树 150

8.2.3 用ID3决策树实现分类 156

8.3 CART决策树 157

8.3.1 CART决策树的基本原理 157

8.3.2 scikit-learn库的DecisionTreeRegressor类介绍 158

8.3.3 基于scikit-learn库构建CART决策树 159

8.3.4 用CART回归树实现预测 162

本章小结 163

课后习题 164

第9章 神经网络及其Python实现 166

9.1 神经网络简介 166

9.2 TensorFlow 167

9.2.1 TensorFlow简介 167

9.2.2 TensorFlow 2.0的安装 168

9.2.3 TensorFlow 2.0的张量 168

9.2.4 TensorFlow 2.0的基本运算 169

9.2.5 TensorFlow 2.0的自动微分和梯度计算 170

9.2.6 TensorFlow 2.0的常用模块 171

9.3 Keras 171

9.3.1 Keras简介 171

9.3.2 Keras的安装 172

9.3.3 Keras的Sequential模型 172

9.3.4 Keras的Model模型 173

9.4 全连接神经网络及其Keras实现 174

9.4.1 全连接神经网络的基本原理 174

9.4.2 基于Keras库构建全连接神经网络 176

9.4.3 基于Keras库训练全连接神经网络 179

9.4.4 用全连接神经网络实现图像识别 181

9.5 全连接神经网络的自定义程序实现 182

9.5.1 全连接神经网络类的定义 182

9.5.2 激活函数和损失函数的定义 183

9.5.3 全连接神经网络模型的定义 184

9.5.4 训练函数的定义 185

9.5.5 测试函数的定义 186

9.5.6 主函数的定义 186

9.6 卷积神经网络及其TensorFlow实现 187

9.6.1 卷积神经网络的基本原理 187

9.6.2 基于TensorFlow库构建卷积神经网络 189

9.6.3 基于TensorFlow库训练卷积神经网络 191

9.6.4 用卷积神经网络实现图像识别 193

9.7 卷积神经网络的AlexNet编程实现 193

9.7.1 准备工作 194

9.7.2 AlexNet类的定义 195

9.7.3 主函数的定义 196

本章小结 196

课后习题 197

第10章 图像识别领域的应用案例 198

10.1 图像识别问题简介 198

10.2 CIFAR10数据集 198

10.2.1 数据集简介 198

10.2.2 数据预处理和加载cifar10_reader.py 200

10.3 基于K-近邻分类的图像识别 203

10.3.1 问题分析 203

10.3.2 数据采样 203

10.3.3 数据间距离计算 204

10.3.4 实现K-近邻分类算法 206

10.3.5 用常规验证方法选取K值 207

10.3.6 用交叉验证法选取K值 208

10.4 基于逻辑斯蒂分类的图像识别 210

10.4.1 自定义程序实现图像识别 210

10.4.2 基于LogisticRegression类实现图像识别 211

10.5 基于优选熵模型的图像识别 212

10.5.1 Softmax分类器 212

10.5.2 加载和预处理数据 214

10.5.3 实现图像识别 215

10.5.4 归一化方法的影响 217

10.6 基于朴素贝叶斯分类的图像识别 217

10.6.1 连续型特征值的朴素贝叶斯图像识别 217

10.6.2 离散型特征值的朴素贝叶斯图像识别 218

10.7 基于全连接神经网络的图像识别 220

10.7.1 基于Keras实现全连接神经网络图像识别 220

10.7.2 自定义程序实现双层全连接神经网络 223

10.7.3 使用自定义TwoLayerNet类进行图像分类 226

10.8 基于卷积神经网络的图像识别 228

10.8.1 基于基础卷积神经网络实现图像识别 228

10.8.2 基于VGGNet实现图像识别 230

10.8.3 基于ResNet实现图像识别 232

本章小结 236

课后习题 236

浏览器不支持脚本！

人工智能 Python 人工智能理论

摘要：本书《人工智能应用实践教程（Python实现）》由陈景强编著，是面向人工智能初学者与实践者的一本系统性指南。全书紧密结合Python编程，通过理论讲解与实际案例相结合的方式，帮助读者全面掌握人工智能技术的核心方法与应用场景。内容涵盖数据预处理、机器学习基础、深度学习模型构建及应用部署等多个方面，同时穿插丰富的实例分析，旨在引导读者从零基础逐步提升至能够独立开发AI项目的水平。通过对工具链、算法实现及项目实战的详细讲解，读者不仅能够理解AI背后的原理，更能掌握实际操作技能，为未来在人工智能领域的学习和工作打下坚实基础。

1、内容结构设计

《人工智能应用实践教程（Python实现）》的内容结构非常清晰，章节安排合理，循序渐进。书中从最基础的Python编程知识入手，为初学者打下扎实的编程基础，同时逐步引入人工智能相关概念，使读者能够自然过渡到复杂算法的学习。

每章均配有理论知识与实践案例相结合的讲解方式，确保读者在理解概念的同时，能够通过实际操作巩固所学知识。书中还提供了丰富的代码示例，便于读者在练习中直观理解算法实现的过程。

此外，书中设计了知识点总结与练习题环节，帮助读者在每个模块学习结束后进行复盘，巩固所学内容。这种结构不仅提升了学习效率，也增强了知识的系统性和完整性。

2、技术内容深度

本书在技术内容上既注重广度，也关注深度。涵盖了数据处理、机器学习、深度学习、自然语言处理等多个重要方向，让读者能够全面了解人工智能技术的全貌。每个模块都配有详细算法讲解，包括原理、应用场景和实际案例。

在机器学习部分，书中介绍了常用的分类、回归、聚类算法，并通过Python实现示例展示算法的具体应用，帮助读者理解模型训练、调参和评估的全过程。这种实践导向的讲解方式，使理论知识不再抽象，而是具有可操作性。

深度学习模块对神经网络、卷积神经网络、循环神经网络等模型进行了系统讲解，并结合实际数据集进行案例分析。书中不仅解释了模型的数学原理，还提供了可运行的代码示例，使读者能够直接进行实验和优化。

3、实践案例解析

《人工智能应用实践教程（Python实现）》最大的特色之一是案例丰富，涵盖图像识别、文本分析、推荐系统等典型应用场景。每个案例从数据获取、数据处理、模型选择到结果分析，提供完整的操作流程，便于读者模仿与实践。

案例讲解中注重解决实际问题的思路，书中会分析可能出现的问题及优化策略，让读者在学习算法的同时，也能够培养解决实际问题的能力。这种案例驱动的学习模式极大地增强了读者的动手能力和创新思维。

此外，书中部分案例还涉及前沿技术的应用，如生成对抗网络、强化学习等，帮助读者了解最新的AI发展趋势，为后续深入研究提供方向和启发。

4、工具与实操指导

本书在实操指导方面同样非常完善，详细介绍了Python相关工具和常用库的使用，包括NumPy、Pandas、Scikit-learn、TensorFlow和PyTorch等。通过对工具链的系统讲解，读者可以快速上手，完成从数据处理到模型构建的全过程。

书中强调动手实验的重要性，每个章节都配备可运行的代码和操作说明，读者可以边学边练，强化理解。对代码中关键步骤的注释和解析，使初学者能够理解每行代码的作用，避免盲目运行而不知其原理。

此外，本书还提供了项目部署和应用的指导，讲解如何将训练好的模型应用于实际业务场景，包括模型保存、调用接口以及性能优化等，使读者具备完整的人工智能项目实践能力。

总结：

《人工智能应用实践教程（Python实现）》通过清晰的结构设计、深度的技术讲解、丰富的实践案例和完善的工具指导，为读者提供了系统而全面的人工智能学习路径。无论是初学者还是有一定基础的开发者，都可以在书中找到适合自己的学习内容，实现从理论到实践的全面提升。

通过阅读与实践，读者不仅能够掌握人工智能核心算法和Python实现技巧，还能积累实际项目经验，为未来在人工智能领域的深入探索和应用奠定坚实基础。其系统性、实用性和案例丰富性，使其成为人工智能学习者不可或缺的参考书。

本文由nayona.cn整理

点击联系需要东西方神秘学学习资料，专业的咨询

只要网页介绍资料，全部都有，还有很多还没来得及更新
每天更新200-300款资料
全网最大最全的神秘学资料平台
请需要什么资料，直接在对话框直接联系我，24小时在线，方便快捷
请需要什么资料，直接在对话框直接联系我，24小时在线，方便快捷
请需要什么资料，直接在对话框直接联系我，24小时在线，方便快捷
有看中网站记得联系我

           

联系我们

关注公众号

打赏 微信扫一扫 支付宝扫一扫

雅书

对占星塔罗感兴趣关注公众号