新書推薦：
《
清洁
》
售價：HK$
65.0
《
组队：超级个体时代的协作方式
》
售價：HK$
77.3
《
第十三位陪审员
》
售價：HK$
53.8
《
微观经济学（第三版）【2024诺贝尔经济学奖获奖者作品】
》
售價：HK$
155.7
《
Python贝叶斯深度学习
》
售價：HK$
89.4
《
文本的密码：社会语境中的宋代文学
》
售價：HK$
67.2
《
启微·狂骉年代：西洋赛马在中国
》
售價：HK$
78.4
《
有趣的中国古建筑
》
售價：HK$
67.0
|
| 編輯推薦： |
|
（1）重点介绍人工智能的主要模型方法及其Python语言的实现。（2）对于人工智能主要模型方法的学习，本着使读者“知其然，知其所以然”的宗旨。（3）通过案例教学，使读者在解决实际问题的过程中学习Python语言和人工智能。
|
| 內容簡介： |
|
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。本书可作为计算机专业相关课程的教材，也可作为程序设计人员的参考书。
|
| 關於作者： |
|
陈景强 教学经历：担任《高级语言程序设计A》、《面向对象程序设计及C++》、《Python语言程序设计》、《Python编程及人工智能应用》教学工作；担任贝尔学院《高级语言程序设计A》课程负责人、《Python编程及人工智能应用》课程负责人。 科研经历：研究方向为自动摘要、自然语言处理、人工智能，以第一作者身份在EMNLP、FGCS等高水平国际会议和期刊上发表文章7篇，主持并结题国家自然科学基金青年基金1项，主持并结题江苏省自然科学基金青年基金1项。
|
| 目錄：
|
|
第1章 人工智能与Python概述 11.1 人工智能的起源与发展 11.2 人工智能的核心概念 31.2.1 人工智能的三大学派 31.2.2 强人工智能与弱人工智能 41.3 人工智能的分支领域 51.3.1 机器学习与深度学习 51.3.2 人工智能的应用分支领域 71.4 人工智能行业应用与人才需求 91.4.1 人工智能行业应用举例 91.4.2 人工智能人才需求 111.5 Python与人工智能的关系 121.6 Python人工智能开发环境安装 131.6.1 Python的安装和运行 131.6.2 人工智能开发库的安装 151.6.3 Python集成开发环境 161.6.4 Anaconda 18本章小结 19课后习题 19第2章 Python基础 212.1 基本语法 212.1.1 对象及其类型 212.1.2 变量和赋值 222.1.3 运算符和表达式 232.1.4 字符串 242.1.5 流程控制 262.2 组合数据类型 282.2.1 列表（list） 292.2.2 元组（tuple） 302.2.3 字典（dict） 312.2.4 集合（set和frozenset） 332.3 函数 342.3.1 函数的定义和调用 342.3.2 匿名函数与lambda关键字 352.4 异常处理和文件操作 352.4.1 异常处理 352.4.2 文件处理的一般过程 362.4.3 文件的写操作 362.4.4 文件的读操作 372.5 面向对象程序设计 372.5.1 类和对象 372.5.2 类的继承 392.6 数值计算库NumPy 392.6.1 NumPy多维数组 392.6.2 NumPy数组的索引和切片 442.6.3 NumPy数组的运算 452.6.4 NumPy数组的读写操作 462.6.5 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 533.1 线性回归问题简介 533.2 单变量线性回归问题 543.3 基于scikit-learn库求解单变量线性回归 553.3.1 scikit-learn库的LinearRegression类说明 553.3.2 求解步骤与编程实现 563.3.3 基于scikit-learn库的模型评价 583.4 基于最小二乘法的自定义求解单变量线性回归 613.4.1 使用导数法求解 613.4.2 使用矩阵法求解 643.5 基于梯度下降法的自定义求解单变量线性回归 653.5.1 简单二次函数的梯度下降法求极值 653.5.2 批量梯度下降法 673.5.3 随机梯度下降法 703.6 多变量线性回归问题 713.6.1 基于scikit-learn库求解 723.6.2 基于最小二乘法自定义求解 723.6.3 基于梯度下降法自定义求解 733.6.4 数据归一化问题 743.6.5 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 794.1 逻辑斯蒂分类简介 794.2 二分类逻辑斯蒂分类问题 814.3 基于scikit-learn库求解二分类逻辑斯蒂分类问题 834.3.1 scikit-learn库的LogisticRegression类说明 834.3.2 求解步骤与编程实现 844.4 基于梯度下降法求解二分类逻辑斯蒂分类 864.4.1 确定优化目标 864.4.2 梯度计算 874.4.3 Python编程实现 884.5 分类模型的评价 904.5.1 分类模型的评价方法 904.5.2 正确率、精准率、召回率和F1指数 904.5.3 ROC曲线 934.6 非线性分类问题 944.6.1 非线性分类问题的提出与分析 944.6.2 基于scikit-learn库的求解实现 964.7 正则化问题 974.7.1 正则化问题的提出与分析 974.7.2 正则化问题的求解实现 984.8 多分类逻辑斯蒂分类 1004.8.1 问题提出与分析 1004.8.2 基于scikit-learn库的求解实现 1014.8.3 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 最大熵模型及其Python实现 1055.1 最大熵模型简介 1055.2 最大熵模型定义与对偶形式 1065.2.1 最大熵模型的定义 1065.2.2 最大熵模型的对偶形式 1075.2.3 最大熵模型的应用举例 1095.2.4 最大熵模型与Softmax分类器 1115.3 最大熵模型的优化算法及Python实现 1115.3.1 通用迭代尺度算法 1115.3.2 基于GIS算法的最大熵模型的Python实现 1125.3.3 改进的迭代尺度算法 1155.3.4 基于IIS算法的最大熵模型的Python实现 1175.4 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 1226.1 “近邻”与分类和聚类 1226.2 K-近邻分类 1226.2.1 K-近邻分类的定义 1226.2.2 自定义程序实现K-近邻分类算法 1236.2.3 K-近邻分类模型的3个基本要素 1256.2.4 基于scikit-learn库实现K-近邻分类算法 1266.2.5 K-近邻分类算法的优缺点分析 1276.3 K-均值聚类 1296.3.1 K-均值聚类算法的定义 1296.3.2 自定义程序实现K-均值聚类算法 1306.3.3 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 1347.1 贝叶斯分类简介 1347.2 朴素贝叶斯分类的定义、推导与建模 1357.2.1 定义与推导 1357.2.2 对房屋是否好卖预测案例的建模与计算 1367.3 自定义程序实现朴素贝叶斯分类 1387.3.1 建立特征矩阵 1387.3.2 计算先验概率 1387.3.3 进行预测 1397.3.4 Python编程实现 1407.4 基于scikit-learn库实现朴素贝叶斯分类 1417.4.1 scikit-learn库的MultinomialNB类说明 1417.4.2 求解步骤与编程实现 1427.5 连续型特征值的朴素贝叶斯分类 1437.5.1 问题定义与分析 1437.5.2 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 1488.1 决策树简介 1488.2 ID3决策树 1498.2.1 ID3决策树的基本原理 1498.2.2 基于NumPy库构建ID3决策树 1508.2.3 用ID3决策树实现分类 1568.3 CART决策树 1578.3.1 CART决策树的基本原理 1578.3.2 scikit-learn库的DecisionTreeRegressor类介绍 1588.3.3 基于scikit-learn库构建CART决策树 1598.3.4 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 1669.1 神经网络简介 1669.2 TensorFlow 1679.2.1 TensorFlow简介 1679.2.2 TensorFlow 2.0的安装 1689.2.3 TensorFlow 2.0的张量 1689.2.4 TensorFlow 2.0的基本运算 1699.2.5 TensorFlow 2.0的自动微分和梯度计算 1709.2.6 TensorFlow 2.0的常用模块 1719.3 Keras 1719.3.1 Keras简介 1719.3.2 Keras的安装 1729.3.3 Keras的Sequential模型 1729.3.4 Keras的Model模型 1739.4 全连接神经网络及其Keras实现 1749.4.1 全连接神经网络的基本原理 1749.4.2 基于Keras库构建全连接神经网络 1769.4.3 基于Keras库训练全连接神经网络 1799.4.4 用全连接神经网络实现图像识别 1819.5 全连接神经网络的自定义程序实现 1829.5.1 全连接神经网络类的定义 1829.5.2 激活函数和损失函数的定义 1839.5.3 全连接神经网络模型的定义 1849.5.4 训练函数的定义 1859.5.5 测试函数的定义 1869.5.6 主函数的定义 1869.6 卷积神经网络及其TensorFlow实现 1879.6.1 卷积神经网络的基本原理 1879.6.2 基于TensorFlow库构建卷积神经网络 1899.6.3 基于TensorFlow库训练卷积神经网络 1919.6.4 用卷积神经网络实现图像识别 1939.7 卷积神经网络的AlexNet编程实现 1939.7.1 准备工作 1949.7.2 AlexNet类的定义 1959.7.3 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 19810.1 图像识别问题简介 19810.2 CIFAR10数据集 19810.2.1 数据集简介 19810.2.2 数据预处理和加载cifar10_reader.py 20010.3 基于K-近邻分类的图像识别 20310.3.1 问题分析 20310.3.2 数据采样 20310.3.3 数据间距离计算 20410.3.4 实现K-近邻分类算法 20610.3.5 用常规验证方法选取K值 20710.3.6 用交叉验证法选取K值 20810.4 基于逻辑斯蒂分类的图像识别 21010.4.1 自定义程序实现图像识别 21010.4.2 基于LogisticRegression类实现图像识别 21110.5 基于最大熵模型的图像识别 21210.5.1 Softmax分类器 21210.5.2 加载和预处理数据 21410.5.3 实现图像识别 21510.5.4 归一化方法的影响 21710.6 基于朴素贝叶斯分类的图像识别 21710.6.1 连续型特征值的朴素贝叶斯图像识别 21710.6.2 离散型特征值的朴素贝叶斯图像识别 21810.7 基于全连接神经网络的图像识别 22010.7.1 基于Keras实现全连接神经网络图像识别 22010.7.2 自定义程序实现双层全连接神经网络 22310.7.3 使用自定义TwoLayerNet类进行图像分类 22610.8 基于卷积神经网络的图像识别 22810.8.1 基于基础卷积神经网络实现图像识别 22810.8.2 基于VGGNet实现图像识别 23010.8.3 基于ResNet实现图像识别 232本章小结 236课后习题 236
|
|
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
