Python人工智能原理、实践及应用

本书巧妙地将Python语言与人工智能知识结合在一起进行编排，使读者既能全面学习Python编程语言，又能系统了解人工智能基本原理并深入掌握人工智能*是新一代人工智能关键技术，同时配有丰富的教学案例和前沿热点应用，每一个知识点都有对应Python语言实现。

全书共分为9章。第壹章主要讲解人工智能的发展历史、驱动因素以及关键技术等。第2章为Python编程语言，系统介绍Python的语法规则、数据类型、程序结构及文件操作和图形化编程等。第3章为概率统计基础，是人工智能的理论基础。第4章为*y化方法，解释人工智能算法本质问题。第5章深度学习与神经网络是本书的重点章节，该章对当前基于深度学习的多层神经网络，如卷积神经网络、递归/循环神经网络、长短期记忆神经网络等进行全面、深入的讲解。第6章TensorFlow深度学习，重点介绍深度学习开源框架TensorFlow的使用方法及如何利用TensorFlow开发和部署各种深度学习模型。第7章数据采集与数据集制作，详细介绍如何通过网络爬虫等方法从互联网上搜集数据并制作成数据集。第8章详细阐述如何利用GPU并行计算设备和CUDA编程来加速人工智能深度学习的模型训练。第9章精心挑选了7个人工智能实验案例，包括数据智能分析、视频图像智能理解、自然语言处理等各个方面，从简到难，可以作本书配套的实验教学内容。

本书可作为人工智能、计算机、电子信息、智能科学与技术、数据科学与大数据、机器人工程等专业的高年级本科生以及研究生的学习用书，也可作为从事人工智能研究与开发的科研人员、工程技术人员及智能应用爱好者的参考书籍。

1章概述

1．1引言

1．2人工智能的概念与定义

1．3人工智能三大学派

1．3．1符号主义学派

1．3．2连接主义学派

1．3．3行为主义学派

1．4人工智能起源与发展

1．5新一代人工智能的驱动因素

1．5．1数据量*发性增长

1．5．2计算能力大幅提升

1．5．3深度学习等算法发展

1．5．4移动AI创新应用牵引

1．6人工智能关键技术

1．6．1机器学习与深度学习

1．6．2知识图谱

1．6．3自然语言处理

1．6．4人机交互

1．6．5计算机视觉

1．6．6生物特征识别

1．6．7SLAM技术

1．6．8VR/AR/MR技术

本章小结

课后思考题

第2章Python  编程语言

2．1Python简介

2．1．1Python语言的发展

2．1．2Python开发环境的安装

2．1．3Python运行

2．2Python基本语法与数据类型

2．2．1用程序实现问题求解

2．2．2Python程序语法元素

2．2．3常用函数

2．2．4Python基本数据类型

2．2．5Python组合数据类型

2．3Python程序结构

2．3．1分支结构

2．3．2循环结构

2．3．3循环保留字

2．3．4异常处理

2．4Python函数与模块化编程

2．4．1函数的基本使用

2．4．2参数的传递

2．4．3函数的返回值

2．4．4变量的作用域

2．4．5匿名函数

2．4．6函数应用

2．4．7代码复用与模块化编程

2．5Python面向对象编程

2．5．1类的定义与使用

2．5．2属性和方法

2．5．3继承

2．6Python文件操作与图形化编程

2．6．1文件的基本操作

2．6．2图形化界面tkinter

2．6．3单词练习系统

本章小结

课后思考题

第3章概率统计基础

3．1概率论

3．1．1概率与条件概率

3．1．2随机变量

3．1．3离散随机变量分布Python实验

3．1．4连续随机变量分布Python实验

3．2数理统计基础

3．2．1总体和样本

3．2．2统计量与抽样分布

3．2．3大数定律与中心极限定理

3．3参数估计

3．3．1点估计

3．3．2评价估计量的标准

3．3．3区间估计

本章小结

课后思考题

第4章*优化方法

4．1*优化方法基础

4．1．1*优化问题数学模型

4．1．2*优化问题的分类及应用案例

4．1．3数学基础

4．2凸优化

4．2．1凸集

4．2．2凸函数

4．2．3凸优化概念

4．2．4Python举例

4．3*小二乘法

4．3．1*小二乘法原理

4．3．2Python举例

4．4梯度下降法

4．4．1梯度下降思想

4．4．2梯度下降法算法步骤

4．4．3梯度算法分类

4．4．4Python举例

4．5牛顿法

4．5．1牛顿法的基本原理

4．5．2牛顿法的步骤

4．5．3牛顿法求解无约束优化问题

4．5．4Python举例

4．6共轭梯度法

4．6．1共轭方向

4．6．2共轭梯度法基本原理

4．6．3共轭梯度法迭代步骤

4．6．4Python举例

本章小结

课后思考题

第5章深度学习与神经网络

5．1深度学习

5．1．1深度学习概念

5．1．2深度学习原理

5．1．3深度学习训练

5．2人工神经网络基础

5．2．1神经元感知器

5．2．2神经网络模型

5．2．3学习方式

5．2．4学习规则

5．2．5激活函数

5．2．6梯度下降法

5．2．7交叉熵损失函数

5．2．8过拟合与欠拟合

5．3卷积神经网络

5．3．1卷积神经网络简介

5．3．2卷积神经网络结构

5．3．3卷积神经网络计算

5．3．4典型卷积神经网络

5．4循环神经网络

5．4．1循环神经网络简介

5．4．2循环神经网络结构

5．4．3循环神经网络计算

5．5长短时记忆网络

5．5．1长短时记忆网络简介

5．5．2长短时记忆网络结构

5．5．3长短时记忆网络计算

本章小结

课后思考题

第6章TensorFlow深度学习

6．1引言

6．2TensorFlow技术特点

6．3TensorFlow组件结构

6．4TensorFlow编程基础

6．4．1TensorFlow程序结构

6．4．2TensorFlow编程模型

6．4．3TensorFlow常用API

6．4．4TensorFlow变量作用域

6．4．5TensorFlow批标准化

6．5TensorFlow神经网络模型构建

6．5．1神经元函数及优化方法

6．5．2卷积函数

6．5．3池化函数

6．5．4分类函数

6．5．5优化方法

6．6TensorFlow运行环境安装

6．6．1Python安装

6．6．2pip工具安装

6．6．3Sublime安装

6．7TensorFlow深度学习模型构建

6．7．1生成拟合数据集

6．7．2构建线性回归模型数据流图

6．7．3在Session中运行已构建的数据流图

6．7．4输出拟合的线性回归模型

6．7．5TensorBoard神经网络数据流图可视化

本章小结

课后思考题

第7章数据采集与数据集制作

7．1引言

7．2Python数据采集

7．2．1Web机制和爬虫原理

7．2．2Python第三方库

7．2．3爬虫三大库

7．2．4正则表达式

7．2．5使用API

7．2．6爬虫进阶

7．3训练数据集制作

7．3．1数据存取

7．3．2数据清洗

7．4数据采集与数据集制作示例

本章小结

课后思考题

第8章GPU并行计算与CUDA编程

8．1引言

8．2GPU通用计算

8．2．1冯·诺依曼体系架构

8．2．2GPU发展简介

8．2．3早期的GPGPU编程

8．2．4NVIDIA和CUDA

8．3CUDA

8．3．1GPU硬件

8．3．2CPU与GPU

8．3．3GPU的计算能力

8．3．4CUDA软件架构

8．3．5CUDA硬件框架

8．3．6CUDA编程模型

8．3．7深度学习与GPU加速度计算

8．3．8深度学习下CUDA环境搭建

8．4CUDA加速深度学习的案例

8．4．1CUDA在TensorFlow框架里的应用

8．4．2CUDA在PyTorch框架里的应用

本章小结

课后思考题

第9章Python人工智能实验

9．1曲线拟合实验

9．1．1实验内容

9．1．2实验步骤

9．2泰坦尼克号乘客死亡概率预测

9．2．1实验内容

9．2．2实验步骤

9．3股票预测

9．3．1实验内容

9．3．2实验步骤

9．4车牌识别

9．4．1实验内容

9．4．2实验步骤

9．5佩戴口罩识别

9．5．1实验内容

9．5．2实验步骤

9．6自动作诗实验

9．6．1实验内容

9．6．2实验步骤

9．7聊天机器人实验

9．7．1实验内容

9．7．2实验步骤

本章小结

课后思考题