本书主要内容包括人工智能起源发展,特别是新一代人工智能的驱动因素和关键技术,并介绍通过Python编程语言的学习和数据统计、*化方法等理论学习掌握人工智能的发工具和方法。而引出深度学习与神经网络、GPU并行计算与CUDA编程等新一代人工智能的核心技术和方法,对于以往较为忽视的数据采集与数据集制作部分专门做一章节来介绍。*后以TensorFlow为平台,通过各种与实际生产生活联系紧密的热应用为案例改编为实验,达到提升创新素养和提高技能水平的人才培养目标。
售 价:¥
纸质售价:¥65.60购买纸书
温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印
为你推荐
封面页
书名页
版权页
内容简介
作者简介
序 PREFACE
前言 PREFACE
目录
第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 数据量爆发性增长
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
1.6.7 SLAM技术
1.6.8 VR/AR/MR技术
本章小结
课后思考题
第2章 Python编程语言
2.1 Python简介
2.1.1 Python语言的发展
2.1.2 Python开发环境的安装
2.1.3 Python运行
2.2 Python基本语法与数据类型
2.2.1 用程序实现问题求解
2.2.2 Python程序语法元素
2.2.3 常用函数
2.2.4 Python基本数据类型
2.2.5 Python组合数据类型
2.3 Python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
2.4 Python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
2.5 Python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
2.6 Python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 最优化方法
4.1 最优化方法基础
4.1.1 最优化问题数学模型
4.1.2 最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
4.2.4 Python举例
4.3 最小二乘法
4.3.1 最小二乘法原理
4.3.2 Python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
4.4.4 Python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
4.5.4 Python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
4.6.4 Python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
6.2 TensorFlow技术特点
6.3 TensorFlow组件结构
6.4 TensorFlow编程基础
6.4.1 TensorFlow程序结构
6.4.2 TensorFlow编程模型
6.4.3 TensorFlow常用API
6.4.4 TensorFlow变量作用域
6.4.5 TensorFlow批标准化
6.5 TensorFlow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
6.6 TensorFlow运行环境安装
6.6.1 Python安装
6.6.2 pip工具安装
6.6.3 Sublime安装
6.7 TensorFlow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
6.7.5 TensorBoard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
7.2 Python数据采集
7.2.1 Web机制和爬虫原理
7.2.2 Python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
8.2 GPU通用计算
8.2.1 冯·诺依曼体系架构
8.2.2 GPU发展简介
8.2.3 早期的GPGPU编程
8.2.4 NVIDIA和CUDA
8.3 CUDA
8.3.1 GPU硬件
8.3.2 CPU与GPU
8.3.3 GPU的计算能力
8.3.4 CUDA软件架构
8.3.5 CUDA硬件框架
8.3.6 CUDA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
8.4 CUDA加速深度学习的案例
8.4.1 CUDA在TensorFlow框架里的应用
8.4.2 CUDA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
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜