Python人工智能

目錄
第1章概述

1．1引言

1．2人工智能的概念與定義

1．3人工智能三大學(xué)派

1．3．1符號(hào)主義學(xué)派

1．3．2連接主義學(xué)派

1．3．3行為主義學(xué)派

1．4人工智能起源與發(fā)展

1．5新一代人工智能的驅(qū)動(dòng)因素

1．5．1數(shù)據(jù)量爆發(fā)性增長

1．5．2計(jì)算能力大幅提升

1．5．3深度學(xué)習(xí)等算法發(fā)展

1．5．4移動(dòng)AI創(chuàng)新應(yīng)用牽引

1．6人工智能關(guān)鍵技術(shù)

1．6．1機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

1．6．2知識(shí)圖譜

1．6．3自然語言處理

1．6．4人機(jī)交互

1．6．5計(jì)算機(jī)視覺

1．6．6生物特征識(shí)別

1．6．7SLAM技術(shù)

1．6．8VR/AR/MR技術(shù)

本章小結(jié)

課后思考題

第2章Python 編程語言

2．1Python簡介

2．1．1Python語言的發(fā)展

2．1．2Python開發(fā)環(huán)境的安裝

2．1．3Python運(yùn)行

2．2Python基本語法與數(shù)據(jù)類型

2．2．1用程序?qū)崿F(xiàn)問題求解

2．2．2Python程序語法元素

2．2．3常用函數(shù)

2．2．4Python基本數(shù)據(jù)類型

2．2．5Python組合數(shù)據(jù)類型

2．3Python程序結(jié)構(gòu)

2．3．1分支結(jié)構(gòu)

2．3．2循環(huán)結(jié)構(gòu)

2．3．3循環(huán)保留字

2．3．4異常處理

2．4Python函數(shù)與模塊化編程

2．4．1函數(shù)的基本使用

2．4．2參數(shù)的傳遞

2．4．3函數(shù)的返回值

2．4．4變量的作用域

2．4．5匿名函數(shù)

2．4．6函數(shù)應(yīng)用

2．4．7代碼復(fù)用與模塊化編程

2．5Python面向?qū)ο缶幊?br />
2．5．1類的定義與使用

2．5．2屬性和方法

2．5．3繼承

2．6Python文件操作與圖形化編程

2．6．1文件的基本操作

2．6．2圖形化界面tkinter

2．6．3單詞練習(xí)系統(tǒng)

本章小結(jié)

課后思考題

第3章概率統(tǒng)計(jì)基礎(chǔ)

3．1概率論

3．1．1概率與條件概率

3．1．2隨機(jī)變量

3．1．3離散隨機(jī)變量分布Python實(shí)驗(yàn)

3．1．4連續(xù)隨機(jī)變量分布Python實(shí)驗(yàn)

3．2數(shù)理統(tǒng)計(jì)基礎(chǔ)

3．2．1總體和樣本

3．2．2統(tǒng)計(jì)量與抽樣分布

3．2．3大數(shù)定律與中心極限定理

3．3參數(shù)估計(jì)

3．3．1點(diǎn)估計(jì)

3．3．2評(píng)價(jià)估計(jì)量的標(biāo)準(zhǔn)

3．3．3區(qū)間估計(jì)

本章小結(jié)

課后思考題

第4章最優(yōu)化方法

4．1最優(yōu)化方法基礎(chǔ)

4．1．1最優(yōu)化問題數(shù)學(xué)模型

4．1．2最優(yōu)化問題的分類及應(yīng)用案例

4．1．3數(shù)學(xué)基礎(chǔ)

4．2凸優(yōu)化

4．2．1凸集

4．2．2凸函數(shù)

4．2．3凸優(yōu)化概念

4．2．4Python舉例

4．3最小二乘法

4．3．1最小二乘法原理

4．3．2Python舉例

4．4梯度下降法

4．4．1梯度下降思想

4．4．2梯度下降法算法步驟

4．4．3梯度算法分類

4．4．4Python舉例

4．5牛頓法

4．5．1牛頓法的基本原理

4．5．2牛頓法的步驟

4．5．3牛頓法求解無約束優(yōu)化問題

4．5．4Python舉例

4．6共軛梯度法

4．6．1共軛方向

4．6．2共軛梯度法基本原理

4．6．3共軛梯度法迭代步驟

4．6．4Python舉例

本章小結(jié)

課后思考題

第5章深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

5．1深度學(xué)習(xí)

5．1．1深度學(xué)習(xí)概念

5．1．2深度學(xué)習(xí)原理

5．1．3深度學(xué)習(xí)訓(xùn)練

5．2人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

5．2．1神經(jīng)元感知器

5．2．2神經(jīng)網(wǎng)絡(luò)模型

5．2．3學(xué)習(xí)方式

5．2．4學(xué)習(xí)規(guī)則

5．2．5激活函數(shù)

5．2．6梯度下降法

5．2．7交叉熵?fù)p失函數(shù)

5．2．8過擬合與欠擬合

5．3卷積神經(jīng)網(wǎng)絡(luò)

5．3．1卷積神經(jīng)網(wǎng)絡(luò)簡介

5．3．2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5．3．3卷積神經(jīng)網(wǎng)絡(luò)計(jì)算

5．3．4典型卷積神經(jīng)網(wǎng)絡(luò)

5．4循環(huán)神經(jīng)網(wǎng)絡(luò)

5．4．1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介

5．4．2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5．4．3循環(huán)神經(jīng)網(wǎng)絡(luò)計(jì)算

5．5長短時(shí)記憶網(wǎng)絡(luò)

5．5．1長短時(shí)記憶網(wǎng)絡(luò)簡介

5．5．2長短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)

5．5．3長短時(shí)記憶網(wǎng)絡(luò)計(jì)算

本章小結(jié)

課后思考題

第6章TensorFlow深度學(xué)習(xí)

6．1引言

6．2TensorFlow技術(shù)特點(diǎn)

6．3TensorFlow組件結(jié)構(gòu)

6．4TensorFlow編程基礎(chǔ)

6．4．1TensorFlow程序結(jié)構(gòu)

6．4．2TensorFlow編程模型

6．4．3TensorFlow常用API

6．4．4TensorFlow變量作用域

6．4．5TensorFlow批標(biāo)準(zhǔn)化

6．5TensorFlow神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

6．5．1神經(jīng)元函數(shù)及優(yōu)化方法

6．5．2卷積函數(shù)

6．5．3池化函數(shù)

6．5．4分類函數(shù)

6．5．5優(yōu)化方法

6．6TensorFlow運(yùn)行環(huán)境安裝

6．6．1Python安裝

6．6．2pip工具安裝

6．6．3Sublime安裝

6．7TensorFlow深度學(xué)習(xí)模型構(gòu)建

6．7．1生成擬合數(shù)據(jù)集

6．7．2構(gòu)建線性回歸模型數(shù)據(jù)流圖

6．7．3在Session中運(yùn)行已構(gòu)建的數(shù)據(jù)流圖

6．7．4輸出擬合的線性回歸模型

6．7．5TensorBoard神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)流圖可視化

本章小結(jié)

課后思考題

第7章數(shù)據(jù)采集與數(shù)據(jù)集制作

7．1引言

7．2Python數(shù)據(jù)采集

7．2．1Web機(jī)制和爬蟲原理

7．2．2Python第三方庫

7．2．3爬蟲三大庫

7．2．4正則表達(dá)式

7．2．5使用API

7．2．6爬蟲進(jìn)階

7．3訓(xùn)練數(shù)據(jù)集制作

7．3．1數(shù)據(jù)存取

7．3．2數(shù)據(jù)清洗

7．4數(shù)據(jù)采集與數(shù)據(jù)集制作示例

本章小結(jié)

課后思考題

第8章GPU并行計(jì)算與CUDA編程

8．1引言

8．2GPU通用計(jì)算

8．2．1馮·諾依曼體系架構(gòu)

8．2．2GPU發(fā)展簡介

8．2．3早期的GPGPU編程

8．2．4NVIDIA和CUDA

8．3CUDA

8．3．1GPU硬件

8．3．2CPU與GPU

8．3．3GPU的計(jì)算能力

8．3．4CUDA軟件架構(gòu)

8．3．5CUDA硬件框架

8．3．6CUDA編程模型

8．3．7深度學(xué)習(xí)與GPU加速度計(jì)算

8．3．8深度學(xué)習(xí)下CUDA環(huán)境搭建

8．4CUDA加速深度學(xué)習(xí)的案例

8．4．1CUDA在TensorFlow框架里的應(yīng)用

8．4．2CUDA在PyTorch框架里的應(yīng)用

本章小結(jié)

課后思考題

第9章Python人工智能實(shí)驗(yàn)

9．1曲線擬合實(shí)驗(yàn)

9．1．1實(shí)驗(yàn)內(nèi)容

9．1．2實(shí)驗(yàn)步驟

9．2泰坦尼克號(hào)乘客死亡概率預(yù)測(cè)

9．2．1實(shí)驗(yàn)內(nèi)容

9．2．2實(shí)驗(yàn)步驟

9．3股票預(yù)測(cè)

9．3．1實(shí)驗(yàn)內(nèi)容

9．3．2實(shí)驗(yàn)步驟

9．4車牌識(shí)別

9．4．1實(shí)驗(yàn)內(nèi)容

9．4．2實(shí)驗(yàn)步驟

9．5佩戴口罩識(shí)別

9．5．1實(shí)驗(yàn)內(nèi)容

9．5．2實(shí)驗(yàn)步驟

9．6自動(dòng)作詩實(shí)驗(yàn)

9．6．1實(shí)驗(yàn)內(nèi)容

9．6．2實(shí)驗(yàn)步驟

9．7聊天機(jī)器人實(shí)驗(yàn)

9．7．1實(shí)驗(yàn)內(nèi)容

9．7．2實(shí)驗(yàn)步驟

本章小結(jié)

課后思考題