123,123,123

本書是一本Python程序設(shè)計(jì)教程，除了系統(tǒng)介紹Python程序開發(fā)，還重點(diǎn)介紹了面向人工智能應(yīng)用的開發(fā)。全書共10章，內(nèi)容包括Python與人工智能；Python程序設(shè)計(jì)基礎(chǔ)；Python程序設(shè)計(jì)進(jìn)階；人工智能應(yīng)用開發(fā)的常用算法與模型；NumPy：生成和處理數(shù)據(jù)；Pandas：分析數(shù)據(jù)；Matplotlib：數(shù)據(jù)可視化；使用TensorFlow開發(fā)AI應(yīng)用；基于Keras的AI應(yīng)用開發(fā)實(shí)踐；使用PyTorch實(shí)現(xiàn)機(jī)器學(xué)習(xí)應(yīng)用。
本書理論結(jié)合實(shí)際，具有鮮明的實(shí)踐特色，能夠很好地滿足高校人工智能相關(guān)專業(yè)人才培養(yǎng)的需求和人工智能相關(guān)崗位開發(fā)者的技能提升需求。

前言
當(dāng)今，最為引人矚目的技術(shù)發(fā)展方向恐怕非人工智能莫屬了。在國(guó)家政策的引領(lǐng)下，各地都將人工智能產(chǎn)業(yè)列為優(yōu)先發(fā)展目標(biāo)，人工智能的發(fā)展進(jìn)入快車道。人工智能技術(shù)的應(yīng)用領(lǐng)域在不斷發(fā)展和拓寬。隨著深度學(xué)習(xí)的快速發(fā)展，使得機(jī)器能夠不斷總結(jié)經(jīng)驗(yàn)，變得更加聰明。在機(jī)器視覺領(lǐng)域，人工智能不僅能夠基本正確地檢測(cè)和識(shí)別物體，更能不斷跟蹤目標(biāo)。由于信息不斷增多，通過人工智能做初步的篩選、總結(jié)，可以極大簡(jiǎn)化人們的工作。更進(jìn)一步，具備了學(xué)習(xí)能力的機(jī)器人，可以不斷突破人類的極限，在很多領(lǐng)域可以幫助人類完成工作。人工智能的發(fā)展和應(yīng)用，對(duì)掌握相關(guān)領(lǐng)域知識(shí)和技能的人才培養(yǎng)提出了迫切要求，Python是一個(gè)非常適合人工智能應(yīng)用開發(fā)的工具，熟練掌握顯得尤為重要，本書就是這樣一本基于Python的、面向人工智能領(lǐng)域應(yīng)用開發(fā)的教材。
全書共10章，第1章為人工智能概述和選擇Python的理由，第2章介紹了Python語言開發(fā)環(huán)境的安裝與部署以及Python程序設(shè)計(jì)的基礎(chǔ)內(nèi)容，第3章介紹了Python相關(guān)的序列、面向過程式程序設(shè)計(jì)和面向?qū)ο蟪绦蛟O(shè)計(jì)等內(nèi)容，第4章介紹了人工智能應(yīng)用開發(fā)的常用算法與模型，第5章至第10章分別介紹了NumPy、Pandas、Matplotlib、TensorFlow、Keras和PyTorch六個(gè)第三方庫(kù)的基礎(chǔ)編程和AI應(yīng)用開發(fā)的案例。本書前4章介紹了Python程序設(shè)計(jì)的基礎(chǔ)知識(shí)以及人工智能的常用算法與模型；第5章至第7章主要介紹Python用于數(shù)據(jù)分析的三個(gè)庫(kù)；第8章至第10章主要介紹Python常用的機(jī)器學(xué)習(xí)及深度學(xué)習(xí)第三方庫(kù)。通過本書，讀者可以較為系統(tǒng)全面地掌握Python面向人工智能應(yīng)用的開發(fā)技術(shù)。
本書非常適合開設(shè)人工智能相關(guān)專業(yè)的高等院校作為Python程序設(shè)計(jì)與開發(fā)的教材使用，也適合人工智能相關(guān)崗位的從業(yè)者參考。本書配備了教學(xué)課件、源代碼、習(xí)題答案等豐富的配套資源，供教學(xué)、學(xué)習(xí)使用，需要的教師可登錄機(jī)械工業(yè)出版社教育服務(wù)網(wǎng)www.cmpedu.com免費(fèi)注冊(cè)后下載，或聯(lián)系編輯索�。ㄎ⑿牛�13146070618，電話：010-88379739）。
在本書編寫過程中，張曉華負(fù)責(zé)撰寫第1、2、3、5、6章，井超負(fù)責(zé)撰寫第4、8、9、10章，李輝負(fù)責(zé)撰寫第7章。
由于編者水平有限，書中疏漏之處在所難免，懇請(qǐng)廣大讀者批評(píng)指正。

目錄
前言

第1章 Python與人工智能 1
1.1 人工智能概述 1
1.1.1 人工智能的概念 1
1.1.2 人工智能的發(fā)展歷程 1
1.1.3 人工智能的知識(shí)體系及應(yīng)用
領(lǐng)域 2
1.2 人工智能應(yīng)用開發(fā)利器Python 5
1.2.1 Python是什么 5
1.2.2 Python的特點(diǎn) 5
1.2.3 Python可以做什么 6
1.2.4 Python與人工智能 7
1.3 基于Python的主流AI開發(fā)
工具 8
1.3.1 NumPy庫(kù) 8
1.3.2 Pandas庫(kù) 8
1.3.3 Matplotlib庫(kù) 8
1.3.4 TensorFlow庫(kù) 9
1.3.5 Keras庫(kù) 11
1.3.6 PyTorch庫(kù) 12
1.3.7 PyTorch與TensorFlow的對(duì)比 13
本章練習(xí) 14
第2章 Python程序設(shè)計(jì)基礎(chǔ) 15
2.1 Python的安裝 15
2.1.1 Python解釋器的安裝 15
2.1.2 PyCharm集成開發(fā)環(huán)境的安裝 21
2.1.3 Python包管理工具pip 28
2.1.4 Python相關(guān)的文件 32
2.2 Python語法基礎(chǔ) 33
2.2.1 注釋 33
2.2.2 Python語言的關(guān)鍵字 35
2.2.3 Python的標(biāo)識(shí)符 36
2.2.4 Python的內(nèi)置常量 36
2.2.5 Python的內(nèi)置函數(shù) 37
2.3 Python引用 40
2.3.1 命名空間 40
2.3.2 模塊的導(dǎo)入與使用 41
2.4 Python的基本數(shù)據(jù)類型 42
2.5 Python的運(yùn)算符與表達(dá)式 46
2.6 Python的代碼編寫規(guī)范 48
本章練習(xí) 49
第3章 Python程序設(shè)計(jì)進(jìn)階 51
3.1 Python數(shù)據(jù)結(jié)構(gòu)、程序流程控制、函數(shù)與文件 51
3.1.1 Python數(shù)據(jù)結(jié)構(gòu) 51
3.1.2 Python程序流程控制 66
3.1.3 異常處理 78
3.1.4 函數(shù) 81
3.1.5 文件 98
3.2 Python面向?qū)ο蟪绦蛟O(shè)計(jì) 108
3.2.1 類 109
3.2.2 類方法、實(shí)例方法、靜態(tài)
方法 113
3.2.3 對(duì)象 117
3.2.4 封裝、繼承、多態(tài) 119
3.2.5 面向?qū)ο蟀咐? 124
本章練習(xí) 129
第4章人工智能應(yīng)用開發(fā)的常用
算法與模型 131
4.1 監(jiān)督學(xué)習(xí)模型 131
4.1.1 決策樹 131
4.1.2 貝葉斯分類算法 132
4.1.3 神經(jīng)網(wǎng)絡(luò) 132
4.1.4 支持向量機(jī)（SVM） 132
4.1.5 集成學(xué)習(xí)分類模型 132
4.1.6 其他分類學(xué)習(xí)模型 132
4.2 無監(jiān)督學(xué)習(xí)模型 133
4.2.1 K-means聚類 133
4.2.2 基于密度的聚類 133
4.2.3 層次聚類方法 133
4.2.4 譜聚類 133
4.3 半監(jiān)督學(xué)習(xí) 134
4.3.1 半監(jiān)督學(xué)習(xí)概述 134
4.3.2 Multi-view algorithm（多視角
算法） 134
4.3.3 Graph-Based Algorithms（基于圖
的算法） 134
4.4 文本處理模型 134
4.4.1 分詞模型 134
4.4.2 TF-IDF模型 135
4.4.3 LDA模型 135
4.5 強(qiáng)化學(xué)習(xí) 136
4.5.1 強(qiáng)化學(xué)習(xí)概述 136
4.5.2 基本模型和原理 136
4.5.3 網(wǎng)絡(luò)模型設(shè)計(jì) 137
4.6 深度學(xué)習(xí) 137
4.6.1 概要介紹 138
4.6.2 深度學(xué)習(xí)的特點(diǎn) 139
4.6.3 深度學(xué)習(xí)的典型模型 139
4.6.4 深度學(xué)習(xí)的訓(xùn)練過程 140
4.6.5 深度學(xué)習(xí)的常見應(yīng)用 141
4.7 模型評(píng)價(jià)指標(biāo) 142
4.7.1 模型評(píng)價(jià)概述 142
4.7.2 常用的模型評(píng)價(jià)方法 143
4.8 人工神經(jīng)網(wǎng)絡(luò) 144
4.8.1 人工神經(jīng)網(wǎng)絡(luò)概述 144
4.8.2 網(wǎng)絡(luò)模型 145
4.8.3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用分析 145
4.8.4 多層神經(jīng)網(wǎng)絡(luò) 148
4.8.5 激活函數(shù) 148
4.8.6 卷積神經(jīng)網(wǎng)絡(luò) 149
4.8.7 循環(huán)神經(jīng)網(wǎng)絡(luò) 156
4.9 人工智能應(yīng)用的構(gòu)建 158
4.9.1 數(shù)據(jù)處理 158
4.9.2 模型設(shè)計(jì) 159
4.9.3 模型訓(xùn)練 159
4.9.4 模型評(píng)估 160
4.9.5 模型測(cè)試 160
4.9.6 模型部署 161
本章練習(xí) 162
第5章 NumPy：生成和處理
數(shù)據(jù) 163
5.1 NumPy的安裝 163
5.2 NumPy入門 163
5.2.1 數(shù)值計(jì)算 163
5.2.2 是否使用NumPy的運(yùn)行時(shí)間
對(duì)比 165
5.2.3 數(shù)組和矩陣計(jì)算 166
5.3 NumPy數(shù)組操作相關(guān)函數(shù) 170
5.4 NumPy數(shù)學(xué)函數(shù) 175
5.4.1 NumPy常用數(shù)學(xué)函數(shù)基礎(chǔ) 175
5.4.2 NumPy常用統(tǒng)計(jì)函數(shù) 179
5.4.3 NumPy常用向量和矩陣
函數(shù) 184
5.5 NumPy數(shù)據(jù)分類案例 188
5.5.1 線性回歸的基本概念 188
5.5.2 損失函數(shù)的設(shè)置 189
5.5.3 Python程序?qū)崿F(xiàn) 190
本章練習(xí) 194
第6章 Pandas：分析數(shù)據(jù) 195
6.1 Pandas 195
6.1.1 Pandas的由來 195
6.1.2 安裝Pandas庫(kù) 195
6.2 Series 198
6.2.1 創(chuàng)建Series對(duì)象 198
6.2.2 Series屬性 199
6.2.3 Series常用方法 200
6.2.4 Series對(duì)象數(shù)據(jù)繪圖 202
6.3 DataFrame 203
6.3.1 DataFrame概念 203
6.3.2 創(chuàng)建DataFrame對(duì)象 204
6.3.3 DataFrame屬性 206
6.3.4 DataFrame索引和切片 208
6.3.5 DataFrame數(shù)據(jù)分析 210
6.3.6 DataFrame對(duì)象可視化 211
6.4 基于Bank Marketing數(shù)據(jù)集的
營(yíng)銷活動(dòng)分析 213
6.4.1 數(shù)據(jù)集概述和數(shù)據(jù)結(jié)構(gòu) 213
6.4.2 數(shù)據(jù)的基本信息 213
6.4.3 客戶數(shù)據(jù)分析 214
6.4.4 營(yíng)銷活動(dòng)數(shù)據(jù)分析 215
6.4.5 完整代碼及運(yùn)行結(jié)果 215
本章練習(xí) 218
第7章 Matplotlib：數(shù)據(jù)可視化 219
7.1 Matplotlib基礎(chǔ) 219
7.2 Matplotlib常見繪圖屬性 220
7.2.1 編寫Matplotlib程序 220
7.2.2 繪圖參數(shù) 221
7.2.3 Matplotlib的字體 222
7.2.4 其他繪圖設(shè)置 223
7.3 Matplotlib基本繪圖 224
7.3.1 折線圖 224
7.3.2 散點(diǎn)圖 226
7.3.3 雙軸圖 226
7.3.4 條形圖 228
7.3.5 直方圖 229
7.3.6 餅圖 230
7.3.7 箱型圖 230
7.3.8 泡泡圖 232
7.3.9 等高線圖 232
7.3.10 3D曲線圖 233
7.3.11 3D散點(diǎn)圖 234
7.3.12 3D等高線圖 235
7.3.13 3D線框圖 236
7.3.14 3D曲面圖 237
7.4 Matplotlib繪制交互式動(dòng)態(tài)
圖形 238
7.4.1 Matplotlib的事件綁定 239
7.4.2 Matplotlib常用事件 239
7.4.3 使用Matplotlib繪制動(dòng)態(tài)
圖形 240
7.5 使用NumPy、Pandas、Matplotlib進(jìn)行電影數(shù)據(jù)分析與可視化 247
7.5.1 獲取數(shù)據(jù) 247
7.5.2 電影評(píng)分分布圖 247
7.5.3 電影時(shí)長(zhǎng)分布圖 248
7.5.4 統(tǒng)計(jì)電影分類 249
本章練習(xí) 250
第8章使用TensorFlow開發(fā)AI
應(yīng)用 251
8.1 TensorFlow的基本概念 251
8.2 TensorFlow運(yùn)行原理 251
8.2.1 張量 253
8.2.2 變量 254
8.2.3 數(shù)據(jù)流圖和會(huì)話 255
8.3 TensorFlow深度學(xué)習(xí) 260
8.3.1 激活函數(shù) 260
8.3.2 卷積函數(shù) 263
8.3.3 池化操作 266
8.3.4 分類函數(shù) 267
8.3.5 優(yōu)化器 268
8.4 TensorFlow實(shí)踐案例 270
8.4.1 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建 271
8.4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期
記憶模型 274
8.4.3 基于簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò)的股票
預(yù)測(cè) 281
本章練習(xí) 282
第9章基于Keras的AI應(yīng)用開發(fā)
實(shí)踐 283
9.1 Keras基礎(chǔ) 283
9.1.1 安裝Keras 283
9.1.2 實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò) 284
9.1.3 模型的加載及保存 285
9.2 Keras中的神經(jīng)網(wǎng)絡(luò)層 286
9.2.1 序列化模型 287
9.2.2 函數(shù)化模型 287
9.2.3 核心層 288
9.2.4 優(yōu)化器 295
9.2.5 損失函數(shù) 296
9.2.6 激活函數(shù) 296
9.3 Keras案例 297
9.3.1 基于Keras的電影評(píng)論分類
問題 297
9.3.2 基于Keras構(gòu)建卷積神經(jīng)
網(wǎng)絡(luò) 299
9.3.3 基于Keras構(gòu)建循環(huán)神經(jīng)
網(wǎng)絡(luò) 301
本章練習(xí) 303
第10章使用PyTorch實(shí)現(xiàn)機(jī)器
學(xué)習(xí)應(yīng)用 304
10.1 PyTorch開發(fā)流程 304
10.2 PyTorch開發(fā)案例 307
10.2.1 基于PyTorch的邏輯回歸 307
10.2.2 基于PyTorch構(gòu)建卷積神經(jīng)
網(wǎng)絡(luò)LeNet-5 309
10.2.3 基于PyTorch實(shí)現(xiàn)循環(huán)神經(jīng)
網(wǎng)絡(luò)預(yù)測(cè) 312
本章練習(xí) 314
參考文獻(xiàn) 316

我要評(píng)論