《人工智能应用实践教程（Python实现）》内容简介与阅读建议

Name: 人工智能应用实践教程（Python实现）
Author: 陈景强 周剑 薛景 陈可佳 汪云云
ISBN: 9787115626585

获取这本书 暂无已核验电子书资源

下载

作者: 陈景强周剑薛景陈可佳汪云云
分类: 科技技术
出版年份: 2024
出版社: 人民邮电出版社
页数: 236 页
语言: 中文

《人工智能应用实践教程（Python实现）》内容简介

本书主要介绍主流的人工智能理论、算法以及Python实现方法，目的是使学生学会人工智能理论及推导过程，并且掌握调用Python人工智能库和自定义编码的方法。全书共分10章，分别为人工智能与Python概述、Python基础、线性回归及其Python实现、逻辑斯蒂分类及其Python实现、最大熵模型及其Python实现、K-近邻分类与K-均值聚类及其Python实现、朴素贝叶斯分类及其Python实现、决策树及其Python实现、神经网络及其Python实现、图像识别领域的应用案例。

《人工智能应用实践教程（Python实现）》书籍信息摘要

《人工智能应用实践教程（Python实现）》内容简介与阅读建议，作者陈景强周剑薛景陈可佳汪云云，科技技术，2024年。获取前建议核对作者、出版社、年份、ISBN、版本和正版渠道。相关主题：人工智能、Python、人工智能理论、计算机类。

作者：陈景强周剑薛景陈可佳汪云云
分类：科技技术
出版年份：2024
出版社：人民邮电出版社
页数：236 页
语言：中文
格式：暂无已核验合规下载格式

《人工智能应用实践教程（Python实现）》适合哪些读者？

适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。

查看陈景强周剑薛景陈可佳汪云云的作品顺序浏览科技技术书籍查看“人工智能”相关书籍读完这本读什么查看书籍排行榜

获取建议

《人工智能应用实践教程（Python实现）》怎么获取更合适？

优先确认版本和阅读目的；下载区只展示已核验的公版、授权、开放许可或官方试读资源。

下载

暂无已核验电子书资源；本站不展示未授权完整文件。

下载

版本

优先选择作者、译者、出版社、出版年份和 ISBN 信息明确的版本；经典作品可优先选择校注、导读或权威出版社版本。

1.4 人工智能行业应用与人才需求 9
1.4.1 人工智能行业应用举例 9
1.4.2 人工智能人才需求 11
1.5 Python与人工智能的关系 12
1.6 Python人工智能开发环境安装 13
1.6.1 Python的安装和运行 13
1.6.2 人工智能开发库的安装 15
1.6.3 Python集成开发环境 16
1.6.4 Anaconda 18
本章小结 19
课后习题 19
第2章 Python基础 21
2.1 基本语法 21
2.1.1 对象及其类型 21
2.1.2 变量和赋值 22
2.1.3 运算符和表达式 23
2.1.4 字符串 24
2.1.5 流程控制 26
2.2 组合数据类型 28
2.2.1 列表(list) 29
2.2.2 元组(tuple) 30
2.2.3 字典(dict) 31
2.2.4 集合(set和frozenset) 33
2.3 函数 34
2.3.1 函数的定义和调用 34
2.3.2 匿名函数与lambda关键字 35
2.4 异常处理和文件操作 35
2.4.1 异常处理 35
2.4.2 文件处理的一般过程 36
2.4.3 文件的写操作 36
2.4.4 文件的读操作 37
2.5 面向对象程序设计 37
2.5.1 类和对象 37
2.5.2 类的继承 39
2.6 数值计算库NumPy 39
2.6.1 NumPy多维数组 39
2.6.2 NumPy数组的索引和切片 44
2.6.3 NumPy数组的运算 45
2.6.4 NumPy数组的读写操作 46
2.6.5 NumPy中的数据统计与分析 47
本章小结 49
课后习题 49
第3章线性回归及其Python实现 53
3.1 线性回归问题简介 53
3.2 单变量线性回归问题 54
3.3 基于scikit-learn库求解单变量线性回归 55
3.3.1 scikit-learn库的LinearRegression类说明 55
3.3.2 求解步骤与编程实现 56
3.3.3 基于scikit-learn库的模型评价 58
3.4 基于最小二乘法的自定义求解单变量线性回归 61
3.4.1 使用导数法求解 61
3.4.2 使用矩阵法求解 64
3.5 基于梯度下降法的自定义求解单变量线性回归 65
3.5.1 简单二次函数的梯度下降法求极值 65
3.5.2 批量梯度下降法 67
3.5.3 随机梯度下降法 70
3.6 多变量线性回归问题 71
3.6.1 基于scikit-learn库求解 72
3.6.2 基于最小二乘法自定义求解 72
3.6.3 基于梯度下降法自定义求解 73
3.6.4 数据归一化问题 74
3.6.5 高阶拟合问题 75
本章小结 77
课后习题 77
第4章逻辑斯蒂分类及其Python实现 79
4.1 逻辑斯蒂分类简介 79
4.2 二分类逻辑斯蒂分类问题 81
4.3 基于scikit-learn库求解二分类逻辑斯蒂分类问题 83
4.3.1 scikit-learn库的LogisticRegression类说明 83
4.3.2 求解步骤与编程实现 84
4.4 基于梯度下降法求解二分类逻辑斯蒂分类 86
4.4.1 确定优化目标 86
4.4.2 梯度计算 87
4.4.3 Python编程实现 88
4.5 分类模型的评价 90
4.5.1 分类模型的评价方法 90
4.5.2 正确率、精准率、召回率和F1指数 90
4.5.3 ROC曲线 93
4.6 非线性分类问题 94
4.6.1 非线性分类问题的提出与分析 94
4.6.2 基于scikit-learn库的求解实现 96
4.7 正则化问题 97
4.7.1 正则化问题的提出与分析 97
4.7.2 正则化问题的求解实现 98
4.8 多分类逻辑斯蒂分类 100
4.8.1 问题提出与分析 100
4.8.2 基于scikit-learn库的求解实现 101
4.8.3 基于梯度下降法的自定义求解实现 102
本章小结 103
课后习题 103
第5章优选熵模型及其Python实现 105
5.1 优选熵模型简介 105
5.2 优选熵模型定义与对偶形式 106
5.2.1 优选熵模型的定义 106
5.2.2 优选熵模型的对偶形式 107
5.2.3 优选熵模型的应用举例 109
5.2.4 优选熵模型与Softmax分类器 111
5.3 优选熵模型的优化算法及Python实现 111
5.3.1 通用迭代尺度算法 111
5.3.2 基于GIS算法的优选熵模型的Python实现 112
5.3.3 改进的迭代尺度算法 115
5.3.4 基于IIS算法的优选熵模型的Python实现 117
5.4 熵相关指标总结 119
本章小结 121
课后习题 121
第6章 K-近邻分类与K-均值聚类及其Python实现 122
6.1 “近邻”与分类和聚类 122
6.2 K-近邻分类 122
6.2.1 K-近邻分类的定义 122
6.2.2 自定义程序实现K-近邻分类算法 123
6.2.3 K-近邻分类模型的3个基本要素 125
6.2.4 基于scikit-learn库实现K-近邻分类算法 126
6.2.5 K-近邻分类算法的优缺点分析 127
6.3 K-均值聚类 129
6.3.1 K-均值聚类算法的定义 129
6.3.2 自定义程序实现K-均值聚类算法 130
6.3.3 基于scikit-learn库实现K-均值聚类算法 131
本章小结 132
课后习题 132
第7章朴素贝叶斯分类及其Python实现 134
7.1 贝叶斯分类简介 134
7.2 朴素贝叶斯分类的定义、推导与建模 135
7.2.1 定义与推导 135
7.2.2 对房屋是否好卖预测案例的建模与计算 136
7.3 自定义程序实现朴素贝叶斯分类 138
7.3.1 建立特征矩阵 138
7.3.2 计算先验概率 138
7.3.3 进行预测 139
7.3.4 Python编程实现 140
7.4 基于scikit-learn库实现朴素贝叶斯分类 141
7.4.1 scikit-learn库的MultinomialNB类说明 141
7.4.2 求解步骤与编程实现 142
7.5 连续型特征值的朴素贝叶斯分类 143
7.5.1 问题定义与分析 143
7.5.2 基于scikit-learn库的GaussianNB类实现 145
本章小结 145
课后习题 146
第8章决策树及其Python实现 148
8.1 决策树简介 148
8.2 ID3决策树 149
8.2.1 ID3决策树的基本原理 149
8.2.2 基于NumPy库构建ID3决策树 150
8.2.3 用ID3决策树实现分类 156
8.3 CART决策树 157
8.3.1 CART决策树的基本原理 157
8.3.2 scikit-learn库的DecisionTreeRegressor类介绍 158
8.3.3 基于scikit-learn库构建CART决策树 159
8.3.4 用CART回归树实现预测 162
本章小结 163
课后习题 164
第9章神经网络及其Python实现 166
9.1 神经网络简介 166
9.2 TensorFlow 167
9.2.1 TensorFlow简介 167
9.2.2 TensorFlow 2.0的安装 168
9.2.3 TensorFlow 2.0的张量 168
9.2.4 TensorFlow 2.0的基本运算 169
9.2.5 TensorFlow 2.0的自动微分和梯度计算 170
9.2.6 TensorFlow 2.0的常用模块 171
9.3 Keras 171
9.3.1 Keras简介 171
9.3.2 Keras的安装 172
9.3.3 Keras的Sequential模型 172
9.3.4 Keras的Model模型 173
9.4 全连接神经网络及其Keras实现 174
9.4.1 全连接神经网络的基本原理 174
9.4.2 基于Keras库构建全连接神经网络 176
9.4.3 基于Keras库训练全连接神经网络 179
9.4.4 用全连接神经网络实现图像识别 181
9.5 全连接神经网络的自定义程序实现 182
9.5.1 全连接神经网络类的定义 182
9.5.2 激活函数和损失函数的定义 183
9.5.3 全连接神经网络模型的定义 184
9.5.4 训练函数的定义 185
9.5.5 测试函数的定义 186
9.5.6 主函数的定义 186
9.6 卷积神经网络及其TensorFlow实现 187
9.6.1 卷积神经网络的基本原理 187
9.6.2 基于TensorFlow库构建卷积神经网络 189
9.6.3 基于TensorFlow库训练卷积神经网络 191
9.6.4 用卷积神经网络实现图像识别 193
9.7 卷积神经网络的AlexNet编程实现 193
9.7.1 准备工作 194
9.7.2 AlexNet类的定义 195
9.7.3 主函数的定义 196
本章小结 196
课后习题 197
第10章图像识别领域的应用案例 198
10.1 图像识别问题简介 198
10.2 CIFAR10数据集 198
10.2.1 数据集简介 198
10.2.2 数据预处理和加载cifar10_reader.py 200
10.3 基于K-近邻分类的图像识别 203
10.3.1 问题分析 203
10.3.2 数据采样 203
10.3.3 数据间距离计算 204
10.3.4 实现K-近邻分类算法 206
10.3.5 用常规验证方法选取K值 207
10.3.6 用交叉验证法选取K值 208
10.4 基于逻辑斯蒂分类的图像识别 210
10.4.1 自定义程序实现图像识别 210
10.4.2 基于LogisticRegression类实现图像识别 211
10.5 基于优选熵模型的图像识别 212
10.5.1 Softmax分类器 212
10.5.2 加载和预处理数据 214
10.5.3 实现图像识别 215
10.5.4 归一化方法的影响 217
10.6 基于朴素贝叶斯分类的图像识别 217
10.6.1 连续型特征值的朴素贝叶斯图像识别 217
10.6.2 离散型特征值的朴素贝叶斯图像识别 218
10.7 基于全连接神经网络的图像识别 220
10.7.1 基于Keras实现全连接神经网络图像识别 220
10.7.2 自定义程序实现双层全连接神经网络 223
10.7.3 使用自定义TwoLayerNet类进行图像分类 226
10.8 基于卷积神经网络的图像识别 228
10.8.1 基于基础卷积神经网络实现图像识别 228
10.8.2 基于VGGNet实现图像识别 230
10.8.3 基于ResNet实现图像识别 232
本章小结 236
课后习题 236

合规获取说明

当前暂无已核验电子书资源。若是商业出版物，建议优先通过出版社、书店或官方电子书平台获取。

常见问题

《人工智能应用实践教程（Python实现）》适合谁读？

适合希望系统学习技术概念、实践方法、工具使用和行业知识的读者。

《人工智能应用实践教程（Python实现）》阅读难度高吗？

建议先看简介、目录、作者和相关书籍，再判断是否适合当前阶段阅读。

《人工智能应用实践教程（Python实现）》纸质书值得买吗？

当前暂未接入已核验的纸质书购买链接，建议通过出版社、京东、当当等正版渠道核对版本后购买。

《人工智能应用实践教程（Python实现）》哪个版本更适合？

优先选择作者、译者、出版社、出版年份和 ISBN 信息清楚的版本；经典作品可优先选择校注、导读或权威出版社版本。

在哪里可以合法获取《人工智能应用实践教程（Python实现）》？

当前没有确认授权的电子书下载资源，也暂未接入已核验购买链接；商业出版物不提供未授权下载，建议通过出版社、京东、当当或官方电子书平台核对获取。

如何继续查找《人工智能应用实践教程（Python实现）》相关书籍？

可以进入陈景强周剑薛景陈可佳汪云云作者页查看其他作品，也可以通过分类、标签、排行榜、人工推荐和“读完这本还可以读”继续发现相近主题。