幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

人工智慧應用實踐教程(Python實現慕課版人工智慧人才培養新形態精品教材)

  • 作者：編者:陳景強//周劍//薛景//陳可佳//汪云云|責編:李召
  • 出版社：人民郵電
  • ISBN：9787115626585
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：236
人民幣：RMB 59.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要介紹主流的人工智慧理論、演算法以及Python實現方法，目的是使學生學會人工智慧理論及推導過程，並且掌握調用Python人工智慧庫和自定義編碼的方法。全書共分10章，分別為人工智慧與Python概述、Python基礎、線性回歸及其Python實現、邏輯斯蒂分類及其Python實現、最大熵模型及其Python實現、K-近鄰分類與K-均值聚類及其Python實現、樸素貝葉斯分類及其Python實現、決策樹及其Python實現、神經網路及其Python實現、圖像識別領域的應用案例。
    本書可作為電腦專業相關課程的教材，也可作為程序設計人員的參考書。
作者介紹
編者:陳景強//周劍//薛景//陳可佳//汪云云|責編:李召
目錄
第1章  人工智慧與Python概述
  1.1  人工智慧的起源與發展
  1.2  人工智慧的核心概念
    1.2.1  人工智慧的三大學派
    1.2.2  強人工智慧與弱人工智慧
  1.3  人工智慧的分支領域
    1.3.1  機器學習與深度學習
    1.3.2  人工智慧的應用分支領域
  1.4  人工智慧行業應用與人才需求
    1.4.1  人工智慧行業應用舉例
    1.4.2  人工智慧人才需求
  1.5  Python與人工智慧的關係
  1.6  Python人工智慧開發環境安裝
    1.6.1  Python的安裝和運行
    1.6.2  人工智慧開發庫的安裝
    1.6.3  Python集成開發環境
    1.6.4  Anaconda
  本章小結
  課後習題
第2章  Python基礎
  2.1  基本語法
    2.1.1  對象及其類型
    2.1.2  變數和賦值
    2.1.3  運算符和表達式
    2.1.4  字元串
    2.1.5  流程式控制制
  2.2  組合數據類型
    2.2.1  列表（list）
    2.2.2  元組（tuple）
    2.2.3  字典（dict）
    2.2.4  集合（set和frozenset）
  2.3  函數
    2.3.1  函數的定義和調用
    2.3.2  匿名函數與lambda關鍵字
  2.4  異常處理和文件操作
    2.4.1  異常處理
    2.4.2  文件處理的一般過程
    2.4.3  文件的寫操作
    2.4.4  文件的讀操作
  2.5  面向對象程序設計
    2.5.1  類和對象
    2.5.2  類的繼承
  2.6  數值計算庫NumPy
    2.6.1  NumPy多維數組
    2.6.2  NumPy數組的索引和切片
    2.6.3  NumPy數組的運算
    2.6.4  NumPy數組的讀寫操作
    2.6.5  NumPy中的數據統計與分析
  本章小結
  課後習題

第3章  線性回歸及其Python實現
  3.1  線性回歸問題簡介
  3.2  單變數線性回歸問題
  3.3  基於scikit-learn庫求解單變數線性回歸
    3.3.1  scikit-learn庫的LinearRegression類說明
    3.3.2  求解步驟與編程實現
    3.3.3  基於scikit-learn庫的模型評價
  3.4  基於最小二乘法的自定義求解單變數線性回歸
    3.4.1  使用導數法求解
    3.4.2  使用矩陣法求解
  3.5  基於梯度下降法的自定義求解單變數線性回歸
    3.5.1  簡單二次函數的梯度下降法求極值
    3.5.2  批量梯度下降法
    3.5.3  隨機梯度下降法
  3.6  多變數線性回歸問題
    3.6.1  基於scikit-learn庫求解
    3.6.2  基於最小二乘法自定義求解
    3.6.3  基於梯度下降法自定義求解
    3.6.4  數據歸一化問題
    3.6.5  高階擬合問題
  本章小結
  課後習題
第4章  邏輯斯蒂分類及其Python實現
  4.1  邏輯斯蒂分類簡介
  4.2  二分類邏輯斯蒂分類問題
  4.3  基於scikit-learn庫求解二分類邏輯斯蒂分類問題
    4.3.1  scikit-learn庫的LogisticRegression類說明
    4.3.2  求解步驟與編程實現
  4.4  基於梯度下降法求解二分類邏輯斯蒂分類
    4.4.1  確定優化目標
    4.4.2  梯度計算
    4.4.3  Python編程實現
  4.5  分類模型的評價
    4.5.1  分類模型的評價方法
    4.5.2  正確率、精準率、召回率和F1指數
    4.5.3  ROC曲線
  4.6  非線性分類問題
    4.6.1  非線性分類問題的提出與分析
    4.6.2  基於scikit-learn庫的求解實現
  4.7  正則化問題
    4.7.1  正則化問題的提出與分析
    4.7.2  正則化問題的求解實現
  4.8  多分類邏輯斯蒂分類
    4.8.1  問題提出與分析
    4.8.2  基於scikit-learn庫的求解實現
    4.8.3  基於梯度下降法的自定義求解實現
  本章小結
  課後習題
第5章  最大熵模型及其Python實現
  5.1  最大熵模型簡介

  5.2  最大熵模型定義與對偶形式
    5.2.1  最大熵模型的定義
    5.2.2  最大熵模型的對偶形式
    5.2.3  最大熵模型的應用舉例
    5.2.4  最大熵模型與Softmax分類器
  5.3  最大熵模型的優化演算法及Python實現
    5.3.1  通用迭代尺度演算法
    5.3.2  基於GIS演算法的最大熵模型的Python實現
    5.3.3  改進的迭代尺度演算法
    5.3.4  基於IIS演算法的最大熵模型的Python實現
  5.4  熵相關指標總結
  本章小結
  課後習題
第6章  K-近鄰分類與K-均值聚類及其Python實現
  6.1  「近鄰」與分類和聚類
  6.2  K-近鄰分類
    6.2.1  K-近鄰分類的定義
    6.2.2  自定義程序實現K-近鄰分類演算法
    6.2.3  K-近鄰分類模型的3個基本要素
    6.2.4  基於scikit-learn庫實現K-近鄰分類演算法
    6.2.5  K-近鄰分類演算法的優缺點分析
  6.3  K-均值聚類
    6.3.1  K-均值聚類演算法的定義
    6.3.2  自定義程序實現K-均值聚類演算法
    6.3.3  基於scikit-learn庫實現K-均值聚類演算法
  本章小結
  課後習題
第7章  樸素貝葉斯分類及其Python實現
  7.1  貝葉斯分類簡介
  7.2  樸素貝葉斯分類的定義、推導與建模
    7.2.1  定義與推導
    7.2.2  對房屋是否好賣預測案例的建模與計算
  7.3  自定義程序實現樸素貝葉斯分類
    7.3.1  建立特徵矩陣
    7.3.2  計算先驗概率
    7.3.3  進行預測
    7.3.4  Python編程實現
  7.4  基於scikit-learn庫實現樸素貝葉斯分類
    7.4.1  scikit-learn庫的MultinomialNB類說明
    7.4.2  求解步驟與編程實現
  7.5  連續型特徵值的樸素貝葉斯分類
    7.5.1  問題定義與分析
    7.5.2  基於scikit-learn庫的GaussianNB類實現
  本章小結
  課後習題
第8章  決策樹及其Python實現
  8.1  決策樹簡介
  8.2  ID3決策樹
    8.2.1  ID3決策樹的基本原理
    8.2.2  基於NumPy庫構建ID決策樹

    8.2.3  用ID3決策樹實現分類
  8.3  CART決策樹
    8.3.1  CART決策樹的基本原理
    8.3.2  scikit-learn庫的DecisionTreeRegressor類介紹
    8.3.3  基於scikit-learn庫構建CART決策樹
    8.3.4  用CART回歸樹實現預測
  本章小結
  課後習題
第9章  神經網路及其Python實現
  9.1  神經網路簡介
  9.2  TensorFlow
    9.2.1  TensorFlow簡介
    9.2.2  TensorFlow2.0的安裝
    9.2.3  TensorFlow2.0的張量
    9.2.4  TensorFlow2.0的基本運算
    9.2.5  TensorFlow2.0的自動微分和梯度計算
    9.2.6  TensorFlow2.0的常用模塊
  9.3  Keras
    9.3.1  Keras簡介
    9.3.2  Keras的安裝
    9.3.3  Keras的Sequential模型
    9.3.4  Keras的Model模型
  9.4  全連接神經網路及其Keras實現
    9.4.1  全連接神經網路的基本原理
    9.4.2  基於Keras庫構建全連接神經網路
    9.4.3  基於Keras庫訓練全連接神經網路
    9.4.4  用全連接神經網路實現圖像識別
  9.5  全連接神經網路的自定義程序實現
    9.5.1  全連接神經網路類的定義
    9.5.2  激活函數和損失函數的定義
    9.5.3  全連接神經網路模型的定義
    9.5.4  訓練函數的定義
    9.5.5  測試函數的定義
    9.5.6  主函數的定義
  9.6  卷積神經網路及其TensorFlow實現
    9.6.1  卷積神經網路的基本原理
    9.6.2  基於TensorFlow庫構建卷積神經網路
    9.6.3  基於TensorFlow庫訓練卷積神經網路
    9.6.4  用卷積神經網路實現圖像識別
  9.7  卷積神經網路的AlexNet編程實現
    9.7.1  準備工作
    9.7.2  AlexNet類的定義
    9.7.3  主函數的定義
  本章小結
  課後習題
第10章  圖像識別領域的應用案例
  10.1  圖像識別問題簡介
  10.2  CIFAR10數據集
    10.2.1  數據集簡介
    10.2.2  數據預處理和載入cifar10_reader.py

  10.3  基於K-近鄰分類的圖像識別
    10.3.1  問題分析
    10.3.2  數據採樣
    10.3.3  數據間距離計算
    10.3.4  實現K-近鄰分類演算法
    10.3.5  用常規驗證方法選取K值
    10.3.6  用交叉驗證法選取K值
  10.4  基於邏輯斯蒂分類的圖像識別
    10.4.1  自定義程序實現圖像識別
    10.4.2  基於LogisticRegression類實現圖像識別
  10.5  基於最大熵模型的圖像識別
    10.5.1  Softmax分類器
    10.5.2  載入和預處理數據
    10.5.3  實現圖像識別
    10.5.4  歸一化方法的影響
  10.6  基於樸素貝葉斯分類的圖像識別
    10.6.1  連續型特徵值的樸素貝葉斯圖像識別
    10.6.2  離散型特徵值的樸素貝葉斯圖像識別
  10.7  基於全連接神經網路的圖像識別
    10.7.1  基於Keras實現全連接神經網路圖像識別
    10.7.2  自定義程序實現雙層全連接神經網路
    10.7.3  使用自定義TwoLayerNet類進行圖像分類
  10.8  基於卷積神經網路的圖像識別
    10.8.1  基於基礎卷積神經網路實現圖像識別
    10.8.2  基於VGGNet實現圖像識別
    10.8.3  基於ResNet實現圖像識別
  本章小結
  課後習題

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032