Python人工智能实践

第1章人工智能概述/1

1.1什么是人工智能1

1.2人工智能的发展历史2

1.2.1曲折的发展史3

1.2.2三大学派3

1.2.3智能层次5

1.3人工智能的应用方向及场景5

1.3.1三大技术方向5

1.3.2典型应用领域6

1.4人工智能项目初体验6

1.5本章小结8

1.6拓展延伸8

习题一9

第2章Python基础及控制结构/10

2.1Python概述11

2.1.1Python的发展历史11

2.1.2Python的应用领域11

2.1.3Python的环境安装12

2.2Python基础知识12

2.2.1程序的格式框架13

2.2.2赋值和输入输出14

2.2.3基本数据类型16

2.3基本控制结构22

2.3.1分支结构23

2.3.2循环结构28

2.3.3异常处理33

2.4本章小结34

2.5拓展延伸35

习题二36Python人工智能实践目录第3章Python函数及组合数据类型/38

3.1函数39

3.1.1函数的定义与调用39

3.1.2函数的参数传递41

3.1.3函数的返回值42

3.1.4局部变量和全局变量43

3.1.5lambda函数46

3.1.6函数递归47

3.2组合数据类型49

3.2.1序列类型49

3.2.2集合类型54

3.2.3映射类型57

3.3本章小结60

3.4拓展延伸60

3.4.1jieba库60

3.4.2词频统计61

习题三62

第4章Python数据处理/64

4.1文件65

4.1.1文件的概念65

4.1.2文件的打开和关闭65

4.1.3文件的读写66

4.2数据格式69

4.2.1二维数据格式70

4.2.2高维数据格式71

4.3常用标准库72

4.3.1math库72

4.3.2random库77

4.3.3json库79

4.3.4csv库80

4.4科学计算83

4.5数据获取87

4.6数据分析92

4.7数据可视化94

4.7.1Matplotlib库94

4.7.2wordcloud库103

4.8AI相关的库105

4.9本章小结105

4.10拓展延伸106

习题四106

第5章人工智能数学基础/108

5.1数学与人工智能108

5.2线性代数109

5.2.1矩阵的概念及矩阵运算109

5.2.2张量109

5.2.3向量和矩阵的应用110

5.2.4矩阵的运算110

5.2.5矩阵的应用114

5.2.6线性变换121

5.2.7特殊矩阵123

5.2.8矩阵的分块129

5.2.9行列式131

5.2.10特征值与特征向量136

5.2.11奇异值分解140

5.3概率论144

5.3.1概率论与人工智能144

5.3.2随机试验144

5.3.3样本点、样本空间、随机事件144

5.3.4随机变量145

5.3.5分布列145

5.3.6特殊离散分布146

5.3.7分布函数147

5.3.8特殊连续分布147

5.3.9图像的泊松噪声与高斯噪声148

5.3.10随机向量148

5.3.11联合分布函数149

5.3.12联合概率密度149

5.3.13条件概率、贝叶斯公式149

5.3.14贝叶斯定理应用150

5.3.15期望、方差150

5.3.16协方差、相关系数、协方差矩阵151

5.4最优化问题152

5.4.1最优化问题的概念152

5.4.2最优化问题的分类153

5.4.3最优化问题求解153

5.4.4几种最优化算法153

5.5本章小结157

5.6拓展延伸158

习题五158

第6章人工智能常用算法/160

6.1学习算法概述160

6.1.1学习算法的定义160

6.1.2机器学习算法的理性认识160

6.2机器学习的典型任务及分类161

6.2.1机器学习整体流程161

6.2.2机器学习基本概念161

6.2.3数据与特征的关系162

6.2.4常见的数据清理与特征选择方式162

6.2.5机器学习的训练方法163

6.2.6模型的有效性165

6.2.7机器学习的性能评估166

6.3机器学习常用算法168

6.3.1聚类168

6.3.2回归算法169

6.3.3决策树173

6.3.4支持向量机174

6.3.5贝叶斯177

6.4超参数和验证集179

6.4.1参数179

6.4.2超参数180

6.4.3留一法验证180

6.4.4交叉验证181

6.4.5随机选取验证集181

6.4.6相似性评估方法181

6.4.7相似性评估曲线182

6.5模式识别基本步骤183

6.5.1传统的模式识别框架183

6.5.2基于深度学习的模式识别框架183

6.6本章小结184

6.7拓展延伸184

习题六185

第7章项目实践1： 聊天机器人/186

7.1认识“聊天机器人”项目186

7.1.1聊天机器人的分类186

7.1.2聊天机器人的开发步骤187

7.2文本表示188

7.3文本相似度计算189

7.4项目实现190

7.4.1语料库处理190

7.4.2对话处理192

7.5本章小结194

7.6拓展延伸194

习题七194

第8章项目实践2： 识别优质客户/195

8.1认识“识别优质客户”项目195

8.2聚类问题196

8.3KMeans算法197

8.4项目实现198

8.5本章小结201

8.6拓展延伸202

8.6.1KMeans++202

8.6.2elkan KMeans202

8.6.3Mini Batch KMeans202

习题八203

第9章项目实践3： 慧眼识花/204

9.1认识“慧眼识花”项目204

9.2分类问题205

9.3kNN算法205

9.4项目实现206

9.5本章小结209

9.6拓展延伸209

习题九210

第10章项目实践4： 购车意愿预测/211

10.1认识“购车意愿预测”项目211

10.2逻辑回归211

10.3项目实现212

10.4本章小结214

10.5拓展延伸214

习题十215

第11章项目实践5： 房价我先知/216

11.1认识“房价我先知”项目216

11.2线性回归217

11.3项目实现217

11.4本章小结222

11.5拓展延伸222

习题十一222

第12章项目实践6： 人脸关键点检测/223

12.1认识“人脸关键点检测”项目223

12.2YOLOv4tiny介绍224

12.3基于YOLOv4tiny实现人脸关键点检测225

12.3.1主干特征提取网络225

12.3.2锚框设计225

12.3.3预测结果编码225

12.3.4损失函数设计226

12.4项目实现226

12.5本章小结233

12.6拓展延伸233

习题十二234

参考文献/235