Python人工智能

定　價：￥69.00

作　者：	于營，肖衡，潘玉霞，高華玲著，楊博雄編
出版社：	清華大學(xué)出版社
叢編項：	清華開發(fā)者書庫.Python
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥34.50)

ISBN：	9787302571889	出版時間：	2021-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	300	字?jǐn)?shù)：

內(nèi)容簡介

　　本書巧妙地將Python語言與人工智能知識結(jié)合在一起進(jìn)行編排，使讀者既能全面學(xué)習(xí)Python編程語言，又能系統(tǒng)了解人工智能基本原理并深入掌握人工智能特別是新一代人工智能關(guān)鍵技術(shù)，同時配有豐富的教學(xué)案例和前沿?zé)狳c應(yīng)用，每一個知識點都有對應(yīng)Python語言實現(xiàn)。全書共分為9章。第1章主要講解人工智能的發(fā)展歷史、驅(qū)動因素以及關(guān)鍵技術(shù)等。第2章為Python編程語言，系統(tǒng)介紹Python的語法規(guī)則、數(shù)據(jù)類型、程序結(jié)構(gòu)及文件操作和圖形化編程等。第3章為概率統(tǒng)計基礎(chǔ)，是人工智能的理論基礎(chǔ)。第4章為最y化方法，解釋人工智能算法本質(zhì)問題。第5章深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)是本書的重點章節(jié)，該章對當(dāng)前基于深度學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)、遞歸/循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)等進(jìn)行全面、深入的講解。第6章TensorFlow深度學(xué)習(xí)，重點介紹深度學(xué)習(xí)開源框架TensorFlow的使用方法及如何利用TensorFlow開發(fā)和部署各種深度學(xué)習(xí)模型。第7章數(shù)據(jù)采集與數(shù)據(jù)集制作，詳細(xì)介紹如何通過網(wǎng)絡(luò)爬蟲等方法從互聯(lián)網(wǎng)上搜集數(shù)據(jù)并制作成數(shù)據(jù)集。第8章詳細(xì)闡述如何利用GPU并行計算設(shè)備和CUDA編程來加速人工智能深度學(xué)習(xí)的模型訓(xùn)練。第9章精心挑選了7個人工智能實驗案例，包括數(shù)據(jù)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(xué)內(nèi)容。本書可作為人工智能、計算機(jī)、電子信息、智能科學(xué)與技術(shù)、數(shù)據(jù)科學(xué)與大數(shù)據(jù)、機(jī)器人工程等專業(yè)的高年級本科生以及研究生的學(xué)習(xí)用書，也可作為從事人工智能研究與開發(fā)的科研人員、工程技術(shù)人員及智能應(yīng)用愛好者的參考書籍。

作者簡介

　　楊博雄，博士，武漢大學(xué)測繪遙感信息工程國家重點實驗室博士后，碩士研究生導(dǎo)師，三亞學(xué)院信息與智能工程學(xué)院副院長、教授，海南省人工智能學(xué)會人工智能教育專業(yè)委員會副主任、區(qū)塊鏈專業(yè)委員會委員。長期從事物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)、高性能計算、人工智能等方面的研究與教學(xué)工作。主持/參與多項國家及省部級科研項目，在國內(nèi)外學(xué)術(shù)期刊上發(fā)表論文20余篇。獲批發(fā)明專利5部，軟件著作權(quán)10部。出版專著2部，教材2部。

圖書目錄

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(xué)派

1．3．1符號主義學(xué)派

1．3．2連接主義學(xué)派

1．3．3行為主義學(xué)派

1．4人工智能起源與發(fā)展

1．5新一代人工智能的驅(qū)動因素

1．5．1數(shù)據(jù)量爆發(fā)性增長

1．5．2計算能力大幅提升

1．5．3深度學(xué)習(xí)等算法發(fā)展

1．5．4移動AI創(chuàng)新應(yīng)用牽引

1．6人工智能關(guān)鍵技術(shù)

1．6．1機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

1．6．2知識圖譜

1．6．3自然語言處理

1．6．4人機(jī)交互

1．6．5計算機(jī)視覺

1．6．6生物特征識別

1．6．7SLAM技術(shù)

1．6．8VR/AR/MR技術(shù)

本章小結(jié)

課后思考題

第2章Python 編程語言

2．1Python簡介

2．1．1Python語言的發(fā)展

2．1．2Python開發(fā)環(huán)境的安裝

2．1．3Python運行

2．2Python基本語法與數(shù)據(jù)類型

2．2．1用程序?qū)崿F(xiàn)問題求解

2．2．2Python程序語法元素

2．2．3常用函數(shù)

2．2．4Python基本數(shù)據(jù)類型

2．2．5Python組合數(shù)據(jù)類型

2．3Python程序結(jié)構(gòu)

2．3．1分支結(jié)構(gòu)

2．3．2循環(huán)結(jié)構(gòu)

2．3．3循環(huán)保留字

2．3．4異常處理

2．4Python函數(shù)與模塊化編程

2．4．1函數(shù)的基本使用

2．4．2參數(shù)的傳遞

2．4．3函數(shù)的返回值

2．4．4變量的作用域

2．4．5匿名函數(shù)

2．4．6函數(shù)應(yīng)用

2．4．7代碼復(fù)用與模塊化編程

2．5Python面向?qū)ο缶幊?br />
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(xí)系統(tǒng)

本章小結(jié)

課后思考題

第3章概率統(tǒng)計基礎(chǔ)

3．1概率論

3．1．1概率與條件概率

3．1．2隨機(jī)變量

3．1．3離散隨機(jī)變量分布Python實驗

3．1．4連續(xù)隨機(jī)變量分布Python實驗

3．2數(shù)理統(tǒng)計基礎(chǔ)

3．2．1總體和樣本

3．2．2統(tǒng)計量與抽樣分布

3．2．3大數(shù)定律與中心極限定理

3．3參數(shù)估計

3．3．1點估計

3．3．2評價估計量的標(biāo)準(zhǔn)

3．3．3區(qū)間估計

本章小結(jié)

課后思考題

第4章最優(yōu)化方法

4．1最優(yōu)化方法基礎(chǔ)

4．1．1最優(yōu)化問題數(shù)學(xué)模型

4．1．2最優(yōu)化問題的分類及應(yīng)用案例

4．1．3數(shù)學(xué)基礎(chǔ)

4．2凸優(yōu)化

4．2．1凸集

4．2．2凸函數(shù)

4．2．3凸優(yōu)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(yōu)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(jié)

課后思考題

第5章深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

5．1深度學(xué)習(xí)

5．1．1深度學(xué)習(xí)概念

5．1．2深度學(xué)習(xí)原理

5．1．3深度學(xué)習(xí)訓(xùn)練

5．2人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

5．2．1神經(jīng)元感知器

5．2．2神經(jīng)網(wǎng)絡(luò)模型

5．2．3學(xué)習(xí)方式

5．2．4學(xué)習(xí)規(guī)則

5．2．5激活函數(shù)

5．2．6梯度下降法

5．2．7交叉熵?fù)p失函數(shù)

5．2．8過擬合與欠擬合

5．3卷積神經(jīng)網(wǎng)絡(luò)

5．3．1卷積神經(jīng)網(wǎng)絡(luò)簡介

5．3．2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5．3．3卷積神經(jīng)網(wǎng)絡(luò)計算

5．3．4典型卷積神經(jīng)網(wǎng)絡(luò)

5．4循環(huán)神經(jīng)網(wǎng)絡(luò)

5．4．1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介

5．4．2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5．4．3循環(huán)神經(jīng)網(wǎng)絡(luò)計算

5．5長短時記憶網(wǎng)絡(luò)

5．5．1長短時記憶網(wǎng)絡(luò)簡介

5．5．2長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)

5．5．3長短時記憶網(wǎng)絡(luò)計算

本章小結(jié)

課后思考題

第6章TensorFlow深度學(xué)習(xí)

6．1引言

6．2TensorFlow技術(shù)特點

6．3TensorFlow組件結(jié)構(gòu)

6．4TensorFlow編程基礎(chǔ)

6．4．1TensorFlow程序結(jié)構(gòu)

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(biāo)準(zhǔn)化

6．5TensorFlow神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

6．5．1神經(jīng)元函數(shù)及優(yōu)化方法

6．5．2卷積函數(shù)

6．5．3池化函數(shù)

6．5．4分類函數(shù)

6．5．5優(yōu)化方法

6．6TensorFlow運行環(huán)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(xué)習(xí)模型構(gòu)建

6．7．1生成擬合數(shù)據(jù)集

6．7．2構(gòu)建線性回歸模型數(shù)據(jù)流圖

6．7．3在Session中運行已構(gòu)建的數(shù)據(jù)流圖

6．7．4輸出擬合的線性回歸模型

6．7．5TensorBoard神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)流圖可視化

本章小結(jié)

課后思考題

第7章數(shù)據(jù)采集與數(shù)據(jù)集制作

7．1引言

7．2Python數(shù)據(jù)采集

7．2．1Web機(jī)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(dá)式

7．2．5使用API

7．2．6爬蟲進(jìn)階

7．3訓(xùn)練數(shù)據(jù)集制作

7．3．1數(shù)據(jù)存取

7．3．2數(shù)據(jù)清洗

7．4數(shù)據(jù)采集與數(shù)據(jù)集制作示例

本章小結(jié)

課后思考題

第8章GPU并行計算與CUDA編程

8．1引言

8．2GPU通用計算

8．2．1馮·諾依曼體系架構(gòu)

8．2．2GPU發(fā)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(gòu)

8．3．5CUDA硬件框架

8．3．6CUDA編程模型

8．3．7深度學(xué)習(xí)與GPU加速度計算

8．3．8深度學(xué)習(xí)下CUDA環(huán)境搭建

8．4CUDA加速深度學(xué)習(xí)的案例

8．4．1CUDA在TensorFlow框架里的應(yīng)用

8．4．2CUDA在PyTorch框架里的應(yīng)用

本章小結(jié)

課后思考題

第9章Python人工智能實驗

9．1曲線擬合實驗

9．1．1實驗內(nèi)容

9．1．2實驗步驟

9．2泰坦尼克號乘客死亡概率預(yù)測

9．2．1實驗內(nèi)容

9．2．2實驗步驟

9．3股票預(yù)測

9．3．1實驗內(nèi)容

9．3．2實驗步驟

9．4車牌識別

9．4．1實驗內(nèi)容

9．4．2實驗步驟

9．5佩戴口罩識別

9．5．1實驗內(nèi)容

9．5．2實驗步驟

9．6自動作詩實驗

9．6．1實驗內(nèi)容

9．6．2實驗步驟

9．7聊天機(jī)器人實驗

9．7．1實驗內(nèi)容

9．7．2實驗步驟

本章小結(jié)

課后思考題