新書推薦：
《
《日本文学史序说》讲演录
》
售價：HK$
72.8
《
无尽的海洋：美国海事探险与大众文化（1815—1860）
》
售價：HK$
99.7
《
治盗之道：清代盗律的古今之辨
》
售價：HK$
122.1
《
甲骨文丛书·剑桥世界暴力史（第一卷）：史前和古代世界（套装全2册）
》
售價：HK$
210.6
《
甲骨文丛书·中华早期帝国：秦汉史的重估
》
售價：HK$
300.2
《
欲望与家庭小说
》
售價：HK$
98.6
《
惜华年（全两册）
》
售價：HK$
70.3
《
甲骨文丛书·古代中国的军事文化
》
售價：HK$
99.7
|
| 編輯推薦： |
|
本书面向初学者介绍智能计算的相关概念、典型应用，并采用研究性学习方法和P-MASE模型，按照引入问题、寻找方法、问题分析、问题求解、效果评价的模式，讲授智能计算编程、数据获取和预处理、数据可视化、预测数据的值、分类问题、聚类分析、神经网络、智能图像识别、时间序列数据的处理等知识，并给出了两个综合案例。本书深入浅出、案例丰富、可操作性强，适合作为高校智能计算相关课程的入门教材，也适合相关技术人员学习参考。
|
| 內容簡介： |
本书面向初学者介绍智能计算的相关概念、典型应用，采用研究性学习方法和P-MASE模型，按照引入问题、寻找方法、问题分析、问题求解、效果评价的模式，讲授智能计算编程、数据获取和预处理、数据可视化、预测数据的值、分类问题、聚类分析、神经网络、智能图像识别、时间序列数据的处理等知识，并给出了两个综合案例。
本书深入浅出、案例丰富、可操作性强，适合作为高校智能计算相关课程的入门教材，也适合相关技术人员学习参考。
|
| 關於作者： |
|
长期从事计算机基础课教学，承担和参与省部、校级教学改革项目及科研项目10余项，获南开大学教学成果奖3项，发表论文10余篇，主编教材4部，参与编写多套教材。从事信息安全、密码学应用、隐私保护等研究，参与多项科研项目，发表EI、CCF-C、SCI等数篇学术论文。
|
| 目錄：
|
目录
前言
第1章 智能计算概述 1
1.1 人工智能与智能计算 1
1.1.1 人工智能 1
1.1.2 智能计算时代与学科融合 2
1.1.3 “新医科”与智能计算 2
1.1.4 智能计算时代的其他典型应用 7
1.2 培养“新医科”学生的素养 11
1.2.1 “新医科”学生的基本素养 11
1.2.2 科学、技术与工程 12
1.2.3 科研方法与工程方法 13
1.2.4 智能计算素养 13
1.3 研究性学习方法与P-MASE模型 14
1.3.1 研究性学习与学习方法 14
1.3.2 P-MASE模型 14
参考文献 16
第2章 智能计算编程基础 17
2.1 引入问题 17
2.1.1 问题描述 17
2.1.2 问题归纳 18
2.2 寻找方法 18
2.2.1 Python编程环境 18
2.2.2 Python编程基础 24
2.2.3 Python的内置模块和第三方工具包 27
2.3 问题分析 30
2.4 问题求解 31
2.5 效果评价 33
参考文献 33
第3章 数据获取和预处理 35
3.1 引入问题 35
3.1.1 问题描述 35
3.1.2 问题归纳 35
3.2 寻找方法 36
3.2.1 数据的类别 36
3.2.2 数据采集方法 37
3.2.3 数据预处理 44
3.2.4 数据变换 48
3.3 问题分析 49
3.4 问题求解 50
3.4.1 利用爬虫代码进行数据采集 50
3.4.2 利用数据采集工具进行数据采集 52
3.5 效果评价 55
参考文献 55
第4章 数据可视化 56
4.1 引入问题 56
4.1.1 问题描述 56
4.1.2 问题归纳 56
4.2 寻找方法 57
4.2.1 数据的统计特征和可视特征 57
4.2.2 数据可视化的基本要素 58
4.2.3 数据可视化工具 60
4.2.4 数据可视化方法 62
4.3 问题分析 72
4.4 问题求解 74
4.5 效果评价 77
参考文献 77
第5章 预测数据的值 78
5.1 引入问题 78
5.1.1 问题描述 78
5.1.2 问题归纳 78
5.2 寻找方法 79
5.2.1 回归分析的基本原理 79
5.2.2 线性回归 80
5.2.3 常用的回归模型评估方法 81
5.2.4 使用Python实现线性回归 82
5.2.5 多项式回归 85
5.3 问题分析 86
5.4 问题求解 87
5.4.1 加载数据 87
5.4.2 分析数据特征及预处理 88
5.4.3 建立线性回归预测模型 91
5.5 效果评价 92
参考文献 93
第6章 判断对象属于哪一类 94
6.1 引入问题 94
6.1.1 问题描述 94
6.1.2 问题归纳 94
6.2 寻找方法 94
6.2.1 分类问题及常用算法 94
6.2.2 利用Python求解分类问题 103
6.3 问题分析 105
6.4 问题求解 105
6.4.1 确定问题特征 105
6.4.2 数据采集与预处理 105
6.4.3 选择分类模型 107
6.4.4 预测新样本 111
6.5 效果评价 111
参考文献 112
第７章 将对象划分为不同的类别
—聚类分析 113
7.1 引入问题 113
7.1.1 问题描述 113
7.1.2 问题归纳 113
7.2 寻找方法 114
7.2.1 聚类问题概述 114
7.2.2 k-means算法简介 114
7.2.3 k-means聚类算法的实现 115
7.2.4 k-means算法中类簇数量k的选取 120
7.2.5 调用工具包实现k-means聚类 121
7.3 问题分析 122
7.4 问题求解 123
7.4.1 二维数据聚类 124
7.4.2 三维数据聚类 125
7.5 效果评价 127
参考文献 127
第8章 让计算机像人脑一样思考 128
8.1 引入问题 128
8.1.1 问题描述 128
8.1.2 问题归纳 128
8.2 寻找方法 129
8.2.1 生物神经网络 129
8.2.2 人工神经网络 129
8.2.3 BP人工神经网络 134
8.2.4 Python中的人工神经网络 136
8.3 问题分析 141
8.4 问题求解 142
8.4.1 确定问题特征 142
8.4.2 收集特征数据及数据预处理 142
8.4.3 神经网络分类预测模型 143
8.5 效果评价 145
参考文献 147
第9章 如何让计算机看懂图像 148
9.1 引入问题 148
9.1.1 问题描述 148
9.1.2 问题归纳 148
9.2 寻找方法 149
9.2.1 生物医学图像分类的基本实现
方法 149
9.2.2 深度学习基础 149
9.2.3 卷积神经网络的原理 150
9.2.4 几种典型的深度卷积神经网络模型 151
9.2.5 Python中的图像分类 153
9.3 问题分析 158
9.4 问题求解 158
9.4.1 确定生物识别采用的技术方案 158
9.4.2 训练数据集的获取 159
9.4.3 对图像数据进行预处理 159
9.4.4 构建VGGNet-16神经网络模型 159
9.4.5 使用训练好的神经网络模型对图像文件进行分类 163
9.5 效果评价 164
参考文献 166
第10章 处理时间序列数据 167
10.1 引入问题 167
10.1.1 问题描述 167
10.1.2 问题归纳 167
10.2 寻找方法 168
10.2.1 时间序列预测 168
10.2.2 循环神经网络 169
10.3 问题分析 172
10.3.1 匈牙利每周水痘病例数据集 172
10.3.2 数据处理方法 173
10.4 问题求解 173
10.4.1 数据读取 173
10.4.2 数据预处理 174
10.4.3 构建模型 177
10.4.4 训练模型 177
10.5 效果评价 178
参考文献 179
第11章 淋巴造影分类预测综合案例 180
11.1 引入问题 180
11.1.1 问题描述 180
11.1.2 数据描述 180
11.2 寻找方法 181
11.2.1 数据预处理方法 181
11.2.2 分类预测方法 182
11.3 问题分析 182
11.3.1 加载数据集 182
11.3.2 查看数据分布 184
11.3.3 分析属性与标签结果的相关性 186
11.4 问题求解 187
11.4.1 数据预处理 187
11.4.2 建立神经网络模型 188
11.5 效果评价 190
参考文献 191
第12章 胸部CT影像检测综合案例 192
12.1 引入问题 192
12.1.1 问题描述 192
12.1.2 数据描述 193
12.2 寻找方法 194
12.2.1 VGGNet-16 194
12.2.2 ResNet神经网络 195
12.3 问题分析 195
12.4 问题求解 196
12.4.1 加载数据集并预处理图像 196
12.4.2 建立VGGNet-16模型 197
12.4.3 训练VGGNet-16模型 199
12.4.4 模型评价 200
12.5 效果评价 202
参考文献 203
|
| 內容試閱：
|
前 言
人类社会经历了信息化、数字化到现在的智能化变革，计算是每次变革的核心驱动力。计算已由1.0时代的专用计算、2.0时代的通用计算，发展到当下3.0时代的智能计算。随着社会、经济和生活的方方面面被“数据化”，数据已成为重要资产。基于数据的智能计算而产生的决策能力已成为核心竞争力，掌握和应用智能计算的相关技术也成为当代大学生应该具备的基本能力。
计算智能（Computing Intelligence）是以数据为基础、以计算为手段建立模型，实现对智能的认识和模拟。计算智能借助自然界（生物界）的规律，设计求解问题的算法。物理学、化学、数学、生物学、心理学、生理学、神经科学和计算机科学等学科的现象与规律都可能成为计算智能的算法基础和思想来源。计算智能强调的是通过计算方法实现生物内在的智能行为，即智能算法的设计，涉及神经计算、膜计算、进化计算、粒群计算、蚁群算法、自然计算、免疫计算和人工生命等领域。计算智能的研究和发展反映了当代科学技术多学科交叉与集成的发展趋势。
智能计算（Intelligent Computing）不同于计算智能，应该说，智能计算是计算智能的应用。智能计算的主要应用领域包括模式识别、优化计算、经济预测、金融分析、智能控制、机器人、数据挖掘、信息安全、医疗诊断等。本书所说的智能计算是一个广义的概念，指非计算机专业人士在应用计算机解决工作和生活中的问题时，如何充分发挥人的智能来合理、有效地使用相关的技术和方法。
本书主要面向生物、化学以及“新医科”等相关专业，与《智能计算技术与应用基础：面向新理工科》《智能计算技术与应用基础：面向新文科》构成“智能计算+专业融合”的通识课新形态系列教材。本系列教材中所说的智能计算更加强调面向非人工智能相关专业的大学生，使他们能够有效地应用现有的智能计算方法解决生活和工作中的问题。
在读者可以非常方便地进行在线学习并获取各种资源和知识的今天，学校的教育逻辑不再是传统的知识传递逻辑，而是逐渐转变为问题求解逻辑，即围绕解决问题开展学习，在求解问题的过程中学习和积累相应的知识。因此，高校培养的应该是学生在以下3个方面的能力：解决问题的思维方式（能想）、为解决问题而进行知识学习（能用）、创新性地求解问题（能创新）。本书就是按照问题求解逻辑编写的。
本书特色
使命式学习模式：各章首先提出要完成的与专业相关的使命，然后围绕这一使命展开相关概念、技术和方法的学习，最后完成相应使命。
建立解决问题的思维，而非知识积累的思维：本书将P-MASE研究性学习模型贯穿于整个学习过程，使读者在解决一个个实际问题的过程中，专注解决问题的方案设计，逐渐建立起为求解问题而进行研究和探索的思维模式，摒弃只注重知识积累的习惯性思维。P-MASE研究性学习模型包括引入问题（Problem）、寻找方法（Method）、科学分析（Analysis）、有效解决（Solution）和效果评价（Evaluation）5个环节。本书各章设计了引入问题、寻找方法、问题分析、问题求解和效果评价5个部分来对应上述5个环节。
可操作性强，提高学习兴趣：本书的案例贴近实际、可操作性强，一步步地讲解并给出Python程序的实现代码，减少了读者开发程序和使用工具的困扰。读者可以快速复现问题的求解过程，简单修改代码来解决自己的个性化问题，这有助于读者提高学习智能计算技术和方法的兴趣，顺利迈入智能计算的大门。
面向非专业学生的通识和基础课程：本书尽可能全面地呈现大学生应该掌握的基本思维、技术和方法，侧重对相关方法和技术的初步应用，兼顾对智能计算学科中原理知识的初步介绍。
提供丰富的学习资源：本书是新形态教材，配有丰富的学习资源，读者通过扫描书中的二维码可以观看相关的教学视频和学习资料，学习更方便。
本书是以提高问题求解能力为目标、以解决专业相关问题为使命、以智能计算技术为支撑、以P-MASE研究性教学为路径而设计的。在教学过程中，教师通过各章的使命和综合案例，让学生自己发现问题并求解问题，提高学生利用智能计算技术解决专业问题的能力。从本书的思维导图中可以清楚地看到这四条思维分支。
本书得到了新文科研究与改革实践项目、天津市普通高等学校本科教学质量与教学改革研究计划项目—“智能+”背景下“四新”专业通识融合课程建设与实践示范项目的支持，以及2020年第一批产学合作协同育人项目“新工科”专业计算智能通识融合课程建设、“新文科”专业计算智能通识融合课程建设、“新医科”专业计算智能融合课程资源建设、南开大学通识融合课程教学团队建设项目和研究性教学团队建设项目的支持。
本书的编写分工如下：李敏、赵宏、李兴娟担任主编，并由李敏负责统稿。张伟刚、康介恢、赵宏编写第1章，王恺编写第2章，郭天勇编写第3章，高裴裴编写第4章，李兴娟编写第5章、第11章和第12章，李敏编写第6章，李敏、王恺编写第7章，赵宏编写第8章，于刚编写第9章，王刚编写第10章。感谢南开大学刘畅老师和康传泽、张宝磊同学提供的案例资源和参考代码。
由于编者水平所限，书中难免有错误和不妥之处，敬请同行和读者批评指正，在此表示衷心的谢意！
编 者
2024年4月于南开园
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
