扫一扫
关注中图网
官方微博
¥57.7(6.5折)?
预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格（不含优惠券部分），仅供参考，未必等同于实际到手价。
00:00:00
促销活动:
本类五星书更多>
-
>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
C Primer Plus 第6版 中文版
-
>
深度学习
-
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码
Python人工智能 版权信息
- ISBN：9787121413742
- 条形码：9787121413742 ; 978-7-121-41374-2
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
Python人工智能 内容简介
本书以Python为平台，以将概念、实例和经典应用相结合的方式，介绍如何利用Python实现人工智能。全书分为9章，内容包括：人工智能的基础，人工智能背景下的科学计算，人工神经网络，迁移学习，网络爬虫，智能数据分析，机器学习，智能模型分析，人工智能的应用。为了帮助读者更好地掌握相关知识，书中每章节都通过理论与实例相结合的方式，让读者在掌握概念的同时，掌握程序设计方法，并能利用程序设计解决实际问题。
Python人工智能 目录
目 录
第1章 人工智能的基础 1
1．1 由数学建模走进人工智能 1
1．1．1 数学建模 1
1．1．2 人工智能背后的数学 4
1．2 为何用Python 12
1．2．1 选择Python的原因 12
1．2．2 Python的优势 13
1．2．3 Python的安装 13
1．2．4 使用pip安装第三方库 16
1．2．5 Python的变量 17
1．3 **个小程序 18
1．4 剖析程序 19
1．5 NumPy入门 23
1．5．1 NumPy的用法 23
1．5．2 广播 27
1．5．3 向量化与“升维” 28
1．5．4 NumPy的应用思想 31
第2章 人工智能背景下的科学计算 32
2．1 Pandas科学计算库 32
2．1．1 初识Pandas 32
2．1．2 Pandas的相关操作 34
2．2 Matplotlib可视化库 48
2．2．1 初识Matplotlib 48
2．2．2 Matplotlib经典应用 51
2．3 SciPy科学计算库 54
2．3．1 初识SciPy 54
2．3．2 SciPy经典应用 55
第3章 人工神经网络 62
3．1 人工神经网络的概念 62
3．1．1 神经元 62
3．1．2 人工神经网络的基本特征 64
3．2 神经激活函数 64
3．2．1 线性激活函数 65
3．2．2 Sigmoid激活函数 65
3．2．3 双曲正切激活函数 67
3．2．4 修正线性激活函数 68
3．2．5 PReLU激活函数 70
3．2．6 softmax激活函数 71
3．3 反向传播 73
3．4 卷积神经网络 79
3．5 循环神经网络 85
3．5．1 普通循环神经网络 85
3．5．2 长短期记忆单元 89
3．6 生成对抗网络 93
3．7 强化学习 99
3．7．1 Q学习 100
3．7．2 Q学习经典应用 101
3．7．3 深度Q学习 106
3．7．4 形式化损失函数 106
3．7．5 深度双Q学习 107
3．7．6 深度Q学习的经典应用 108
3．8 受限玻尔兹曼机 123
3．8．1 RBM的架构 123
3．8．2 RBM的经典实现 124
3．9 自编码器 128
3．9．1 自编码器的架构 128
3．9．2 自编码器的经典实现 129
第4章 迁移学习 134
4．1 迁移学习概述 134
4．2 VGG16实现图像风格转移 135
4．3 糖尿病性视网膜病变检测 142
4．3．1 病变数据集 142
4．3．2 损失函数定义 143
4．3．3 类别不平衡问题 143
4．3．4 预处理 144
4．3．5 仿射变换产生额外数据 145
4．3．6 网络架构 147
4．3．7 优化器与交叉验证 150
4．3．8 Python实现 151
第5章 网络爬虫 159
5．1 初识爬虫 159
5．2 爬虫入门 160
5．2．1 入门基础 160
5．2．2 爬虫实战 162
5．3 高效率爬虫 167
5．3．1 多进程 167
5．3．2 多线程 169
5．3．3 协程 172
5．4 利用Scrapy实现爬虫 174
5．4．1 安装Scrapy 174
5．4．2 爬取招聘信息 176
第6章 智能数据分析 182
6．1 数据获取 182
6．1．1 从键盘获取 182
6．1．2 读取与写入 182
6．1．3 Pandas读写操作 185
6．2 枚举算法 187
6．2．1 枚举定义 187
6．2．2 枚举特点 187
6．2．3 枚举经典应用 188
6．3 递推问题 189
6．4 模拟问题 191
6．5 逻辑推理问题 193
6．6 排序问题 195
6．6．1 冒泡排序 195
6．6．2 选择排序 196
6．6．3 桶排序 198
6．6．4 插入排序 200
6．6．5 快速排序 201
6．6．6 归并排序 203
6．6．7 堆排序 205
6．7 二分查找 207
6．8 勾股树 210
6．9 数据分析经典案例 212
第7章 机器学习 221
7．1 K-Means聚类算法 221
7．1．1 K-Means聚类算法概述 222
7．1．2 目标函数 222
7．1．3 K-Means聚类算法流程 222
7．1．4 K-Means聚类算法的优缺点 223
7．1．5 K-Means聚类算法经典应用 224
7．2 kNN算法 226
7．2．1 kNN算法基本思想 226
7．2．2 kNN算法的重点 227
7．2．3 kNN算法经典应用 228
7．3 朴素贝叶斯算法 238
7．3．1 贝叶斯定理 239
7．3．2 朴素贝叶斯分类原理 239
7．3．3 朴素贝叶斯分类流程图 240
7．3．4 朴素贝叶斯算法的优缺点 240
7．3．5 朴素贝叶斯算法经典应用 240
7．4 广义线性模型 245
7．4．1 线性模型 245
7．4．2 线性回归 251
7．4．3 岭回归 253
7．4．4 套索回归 258
7．4．5 弹性网络回归 261
7．5 决策树算法 264
7．5．1 决策树算法概述 264
7．5．2 经典算法 264
7．5．3 决策树算法经典应用 269
7．6 随机森林 273
7．6．1 随机森林概述 273
7．6．2 随机森林的构建 274
7．6．3 随机森林的优势与不足 276
7．7 支持向量机 277
7．7．1 分类间隔 277
7．7．2 函数间距 279
7．7．3 几何间距 279
7．7．4 核函数 281
7．7．5 支持向量机核函数的实现 284
7．7．6 核函数与参数选择 286
7．8 数据预处理 289
7．9 数据降维 294
7．10 智能推荐系统 298
7．10．1 推荐问题的描述 298
7．10．2 协同过滤算法 298
7．10．3 协同过滤算法的实现 299
第8章 智能模型分析 303
8．1 数据表达 303
8．2 数据升维 308
8．3 模型评估 314
8．4 优化模型参数 318
8．5 可信度评估 322
8．6 管道模型 326
8．7 选择和参数调优 330
第9章 人工智能的应用 334
9．1 机器翻译 334
9．1．1 神经机器翻译 334
9．1．2 实现英译德 338
9．2 机器语音识别 344
9．2．1 CTC算法概念 344
9．2．2 RNN+CTC模型的训练 345
9．2．3 利用CTC实现语音识别 347
9．3 利用OpenCV实现人脸识别 352
9．3．1 人脸检测 352
9．3．2 检测视频的人脸 353
9．3．3 车牌检测 354
9．3．4 目标检测 355
9．4 GAN风格迁移 357
9．4．1 DiscoGAN的工作原理 357
9．4．2 CycleGAN的工作原理 358
9．4．3 预处理图像 358
9．4．4 DiscoGAN生成器 360
9．4．5 DiscoGAN判别器 362
9．4．6 网络构建和损失函数的定义 363
9．4．7 构建训练过程 366
9．4．8 启动训练 369
9．5 利用OpenCV 实现风格迁移 372
9．6 聊天机器人 373
9．6．1 聊天机器人架构 374
9．6．2 序列到序列模型 375
9．6．3 建立序列到序列模型 375
9．6．4 实现聊天机器人 376
9．7 餐饮菜单推荐引擎 383
参考文献 390
第1章 人工智能的基础 1
1．1 由数学建模走进人工智能 1
1．1．1 数学建模 1
1．1．2 人工智能背后的数学 4
1．2 为何用Python 12
1．2．1 选择Python的原因 12
1．2．2 Python的优势 13
1．2．3 Python的安装 13
1．2．4 使用pip安装第三方库 16
1．2．5 Python的变量 17
1．3 **个小程序 18
1．4 剖析程序 19
1．5 NumPy入门 23
1．5．1 NumPy的用法 23
1．5．2 广播 27
1．5．3 向量化与“升维” 28
1．5．4 NumPy的应用思想 31
第2章 人工智能背景下的科学计算 32
2．1 Pandas科学计算库 32
2．1．1 初识Pandas 32
2．1．2 Pandas的相关操作 34
2．2 Matplotlib可视化库 48
2．2．1 初识Matplotlib 48
2．2．2 Matplotlib经典应用 51
2．3 SciPy科学计算库 54
2．3．1 初识SciPy 54
2．3．2 SciPy经典应用 55
第3章 人工神经网络 62
3．1 人工神经网络的概念 62
3．1．1 神经元 62
3．1．2 人工神经网络的基本特征 64
3．2 神经激活函数 64
3．2．1 线性激活函数 65
3．2．2 Sigmoid激活函数 65
3．2．3 双曲正切激活函数 67
3．2．4 修正线性激活函数 68
3．2．5 PReLU激活函数 70
3．2．6 softmax激活函数 71
3．3 反向传播 73
3．4 卷积神经网络 79
3．5 循环神经网络 85
3．5．1 普通循环神经网络 85
3．5．2 长短期记忆单元 89
3．6 生成对抗网络 93
3．7 强化学习 99
3．7．1 Q学习 100
3．7．2 Q学习经典应用 101
3．7．3 深度Q学习 106
3．7．4 形式化损失函数 106
3．7．5 深度双Q学习 107
3．7．6 深度Q学习的经典应用 108
3．8 受限玻尔兹曼机 123
3．8．1 RBM的架构 123
3．8．2 RBM的经典实现 124
3．9 自编码器 128
3．9．1 自编码器的架构 128
3．9．2 自编码器的经典实现 129
第4章 迁移学习 134
4．1 迁移学习概述 134
4．2 VGG16实现图像风格转移 135
4．3 糖尿病性视网膜病变检测 142
4．3．1 病变数据集 142
4．3．2 损失函数定义 143
4．3．3 类别不平衡问题 143
4．3．4 预处理 144
4．3．5 仿射变换产生额外数据 145
4．3．6 网络架构 147
4．3．7 优化器与交叉验证 150
4．3．8 Python实现 151
第5章 网络爬虫 159
5．1 初识爬虫 159
5．2 爬虫入门 160
5．2．1 入门基础 160
5．2．2 爬虫实战 162
5．3 高效率爬虫 167
5．3．1 多进程 167
5．3．2 多线程 169
5．3．3 协程 172
5．4 利用Scrapy实现爬虫 174
5．4．1 安装Scrapy 174
5．4．2 爬取招聘信息 176
第6章 智能数据分析 182
6．1 数据获取 182
6．1．1 从键盘获取 182
6．1．2 读取与写入 182
6．1．3 Pandas读写操作 185
6．2 枚举算法 187
6．2．1 枚举定义 187
6．2．2 枚举特点 187
6．2．3 枚举经典应用 188
6．3 递推问题 189
6．4 模拟问题 191
6．5 逻辑推理问题 193
6．6 排序问题 195
6．6．1 冒泡排序 195
6．6．2 选择排序 196
6．6．3 桶排序 198
6．6．4 插入排序 200
6．6．5 快速排序 201
6．6．6 归并排序 203
6．6．7 堆排序 205
6．7 二分查找 207
6．8 勾股树 210
6．9 数据分析经典案例 212
第7章 机器学习 221
7．1 K-Means聚类算法 221
7．1．1 K-Means聚类算法概述 222
7．1．2 目标函数 222
7．1．3 K-Means聚类算法流程 222
7．1．4 K-Means聚类算法的优缺点 223
7．1．5 K-Means聚类算法经典应用 224
7．2 kNN算法 226
7．2．1 kNN算法基本思想 226
7．2．2 kNN算法的重点 227
7．2．3 kNN算法经典应用 228
7．3 朴素贝叶斯算法 238
7．3．1 贝叶斯定理 239
7．3．2 朴素贝叶斯分类原理 239
7．3．3 朴素贝叶斯分类流程图 240
7．3．4 朴素贝叶斯算法的优缺点 240
7．3．5 朴素贝叶斯算法经典应用 240
7．4 广义线性模型 245
7．4．1 线性模型 245
7．4．2 线性回归 251
7．4．3 岭回归 253
7．4．4 套索回归 258
7．4．5 弹性网络回归 261
7．5 决策树算法 264
7．5．1 决策树算法概述 264
7．5．2 经典算法 264
7．5．3 决策树算法经典应用 269
7．6 随机森林 273
7．6．1 随机森林概述 273
7．6．2 随机森林的构建 274
7．6．3 随机森林的优势与不足 276
7．7 支持向量机 277
7．7．1 分类间隔 277
7．7．2 函数间距 279
7．7．3 几何间距 279
7．7．4 核函数 281
7．7．5 支持向量机核函数的实现 284
7．7．6 核函数与参数选择 286
7．8 数据预处理 289
7．9 数据降维 294
7．10 智能推荐系统 298
7．10．1 推荐问题的描述 298
7．10．2 协同过滤算法 298
7．10．3 协同过滤算法的实现 299
第8章 智能模型分析 303
8．1 数据表达 303
8．2 数据升维 308
8．3 模型评估 314
8．4 优化模型参数 318
8．5 可信度评估 322
8．6 管道模型 326
8．7 选择和参数调优 330
第9章 人工智能的应用 334
9．1 机器翻译 334
9．1．1 神经机器翻译 334
9．1．2 实现英译德 338
9．2 机器语音识别 344
9．2．1 CTC算法概念 344
9．2．2 RNN+CTC模型的训练 345
9．2．3 利用CTC实现语音识别 347
9．3 利用OpenCV实现人脸识别 352
9．3．1 人脸检测 352
9．3．2 检测视频的人脸 353
9．3．3 车牌检测 354
9．3．4 目标检测 355
9．4 GAN风格迁移 357
9．4．1 DiscoGAN的工作原理 357
9．4．2 CycleGAN的工作原理 358
9．4．3 预处理图像 358
9．4．4 DiscoGAN生成器 360
9．4．5 DiscoGAN判别器 362
9．4．6 网络构建和损失函数的定义 363
9．4．7 构建训练过程 366
9．4．8 启动训练 369
9．5 利用OpenCV 实现风格迁移 372
9．6 聊天机器人 373
9．6．1 聊天机器人架构 374
9．6．2 序列到序列模型 375
9．6．3 建立序列到序列模型 375
9．6．4 实现聊天机器人 376
9．7 餐饮菜单推荐引擎 383
参考文献 390
展开全部
Python人工智能 作者简介
李晓东，男。2001年毕业于广西师范大学，计算机应用硕士学位。现佛山科学技术学院电子信息工程学院计算机系副教授，系主任。主要研究方向：图像处理与分析、人工智能及智能算法等。主持和参与省部级项目5项、市厅级项目4项。主编著作/教材4部。获市级科技科技进步奖2项，通过省级成果鉴定4项。
书友推荐
- >
我从未如此眷恋人间
我从未如此眷恋人间
¥18.9¥49.8 - >
烟与镜
烟与镜
¥18.2¥48.0 - >
朝闻道
朝闻道
¥11.7¥23.8 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥16.0¥45.8 - >
莉莉和章鱼
莉莉和章鱼
¥16.0¥42.0 - >
我与地坛
我与地坛
¥16.8¥28.0 - >
大红狗在马戏团-大红狗克里弗-助人
大红狗在马戏团-大红狗克里弗-助人
¥3.3¥10.0 - >
苦雨斋序跋文-周作人自编集
苦雨斋序跋文-周作人自编集
¥6.9¥16.0
本类畅销
-
区块链开发从入门到精通 以太坊+超级账本
¥55.9¥79.8 -
C和指针
¥69.3¥99 -
超简单用PYTHON让Excel飞起来
¥54.4¥69.8 -
超简单:用Python让Excel飞起来(实战150例)
¥55.9¥79.8 -
新编C语言习题与解析
¥48.3¥69 -
深入浅出Pandas:利用Python进行数据处理与分析
¥84.2¥99
浏览历史
中国经济增长与经济周期(2018)
¥33.3¥68.0
