從AI模型到智能機器人：基于 Python 與 TensorFlow

第1章 AI與面向?qū)ο驪ython\t1
1．1 AI思維簡史\t2
1．2 Python語言與AI\t2
1．3 布置Python開發(fā)環(huán)境\t3
1．4 開始編寫Python程序\t6
1．5 面向?qū)ο螅∣bject-Oriented）入門\t10
1．5．1 對象（Object）\t10
1．5．2 消息（Message）\t10
1．5．3 事件（Event）\t10
1．6 軟件中的對象（Object）\t11
1．6．1 抽象\t11
1．6．2 抽象表示\t12
1．6．3 數(shù)據(jù)和函數(shù)\t12
1．6．4 歷史的足跡\t12
1．7 對象與變量（Variable）\t13
1．7．1 數(shù)據(jù)類型\t13
1．7．2 變量即對象\t14
1．8 對象與函數(shù)（Function）\t17
1．8．1 函數(shù)的角色\t17
1．8．2 事件驅(qū)動觀念\t18
1．9 自然界的分類\t19
1．9．1 分類與抽象\t19
1．9．2 對象與類\t19
1．9．3 類的體系\t20
1．10 軟件的分類\t21
1．10．1 類是數(shù)據(jù)類型\t21
1．10．2 類的用途：描述對象的屬性與行為\t22
第2章 Python的對象與類\t24
2．1 OOP入門\t25
2．2 對象的概念\t25
2．3 對象分類與組合\t27
2．3．1 類的永恒性\t27
2．3．2 將對象分門別類\t27
2．3．3 對象的組合關(guān)系\t28
2．4 AKO抽象關(guān)系\t30
2．5 對象行為與接口\t36
2．5．1 接口入門\t36
2．5．2 消息傳遞與對象行為\t37
2．5．3 對象的運算行為\t38
第3章 善用類\t46
3．1 如何描述對象：善用類\t47
3．2 如何創(chuàng)建軟件對象\t48
3．3 對象參考\t49
3．4 構(gòu)造函數(shù)\t52
3．5 子類如何創(chuàng)建對象\t54
第4章 對象的組合\t58
4．1 認識 self 參考\t59
4．2 建立對象的包含關(guān)系\t60
4．3 self 參考值的妙用\t64
4．4 包容多樣化物件\t71
4．5 集合對象\t73
第5章 類的封裝性\t76
5．1 對象的封裝性\t77
5．2 類：創(chuàng)造對象的封裝性\t77
5．3 類的私有屬性與函數(shù)\t81
5．4 類級別的屬性\t89
5．5 類級別的函數(shù)\t93
第6章 類的繼承體系\t96
6．1 繼承的意義\t97
6．2 建立類繼承體系\t98
6．3 函數(shù)覆寫的意義\t108
第7章 活用抽象類\t111
7．1 抽象類與繼承體系\t112
7．2 Python抽象類的表示法\t112
7．2．1 一般具象類\t112
7．2．2 抽象類\t114
7．3 從“抽象類”衍生“具象類”\t115
7．4 抽象類的妙用：默認行為\t118
7．4．1 Python默認行為的表示法\t118
7．4．2 默認行為的意義\t120
7．5 默認函數(shù)的妙用：反向調(diào)用\t120
第8章 發(fā)揮“多態(tài)性”\t127
8．1 “多態(tài)性”的意義\t128
8．1．1 自然界的多態(tài)性\t128
8．1．2 多態(tài)性物體\t129
8．2 多態(tài)函數(shù)\t130
8．3 可覆寫函數(shù)\t132
第9章 如何設(shè)計抽象類\t138
9．1 抽象：抽出共同的現(xiàn)象\t139
9．2 抽象的步驟\t141
9．2．1 Step 1： 抽出名稱、引數(shù)及內(nèi)容都一致的函數(shù)\t147
9．2．2 Step 2： 抽出名稱相同、參數(shù)及內(nèi)容有差異的函數(shù)\t149
9．3 洞悉“變”與“不變”\t152
9．4 著手設(shè)計抽象類\t154
第10章 接口與抽象類\t160
10．1 接口的意義\t161
10．2 以 Python 抽象類來實現(xiàn)接口\t162
10．3 接口設(shè)計實例一：并聯(lián)電池對象\t167
10．3．1 不理解原理但也能用\t167
10．3．2 實現(xiàn)步驟\t169
10．4 接口設(shè)計實例二：串聯(lián)電池對象\t172
10．4．1 基本設(shè)計\t172
10．4．2 實現(xiàn)步驟\t173
10．4．3 總結(jié)\t176
10．5 接口設(shè)計實例三：Chain Of Responsibility設(shè)計模式\t177
第11章 不插電學AI\t183
11．1 “不插電學AI”的意義\t184
11．2 AlphaGo的驚人學習能力\t184
11．3 范例：一只老鼠的探索及學習\t184
11．4 記錄老鼠的探索選擇及結(jié)果\t186
11．5 老鼠當教練：訓(xùn)練AI機器人\t188
11．5．1 以簡單算數(shù)，讓機器人表達智能\t188
11．5．2 機器人智能的提升過程\t189
11．5．3 一回生、兩回熟\t191
11．5．4 三回變高手\t192
11．5．5 第四回合訓(xùn)練：邁向完美\t194
11．5．6 重新檢測一次\t195
第12章 撰寫單層Perceptron程序\t198
12．1 開始“插電學AI”：使用Python\t199
12．2 展開第#0組數(shù)據(jù)的訓(xùn)練\t200
12．3 進行更多組數(shù)據(jù)的訓(xùn)練\t202
12．4 加入學習率\t206
12．5 增添一個Training類\t209
12．6 一個更詳細的Perceptron代碼\t213
第13章 使用TensorFlow編程\t225
13．1 TensorFlow入門\t226
13．2 安裝TensorFlow環(huán)境\t226
13．3 開始使用TensorFlow\t230
13．4 展開第1回合的訓(xùn)練：以老鼠教練為例\t237
13．5 展開100回合更周全的訓(xùn)練\t240
13．6 設(shè)計Perceptron類\t243
13．7 采用TensorFlow的損失函數(shù)\t245
13．8 撰寫多層Perceptron程序\t248
第14章 TensorFlow應(yīng)用范例\t251
14．1 mnist手寫數(shù)字識別范例\t252
14．2 開始訓(xùn)練 NN 模型\t256
14．3 改進 NN 模型：建立兩層Perceptron\t260
14．4 改進 NN 模型：建立三層Perceptron\t263
14．5 撰寫一個MLP類\t265
第15章 如何導(dǎo)出AI模型\t268
15．1　導(dǎo)出模型入門\t269
15．2 機器人：像老鼠一樣學習\t270
15．3 基于TensorFlow建立AI模型\t270
15．4 存入Checkpoint文件\t272
15．5　讀取Checkpoint文件\t275
15．6 讀取流圖定義文件\t277
15．7 導(dǎo)出模型：寫入．pb文件\t280
15．8 導(dǎo)入模型，讀?。畃b文件\t284