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人工智能三大學派

1．3．1符號主義學派

1．3．2連接主義學派

1．3．3行為主義學派

1．4人工智能起源與發(fā)展

1．5新一代人工智能的驅(qū)動因素

1．5．1數(shù)據(jù)量爆發(fā)性增長

1．5．2計算能力大幅提升

1．5．3深度學習等算法發(fā)展

1．5．4移動AI創(chuàng)新應用牽引

1．6人工智能關鍵技術

1．6．1機器學習與深度學習

1．6．2知識圖譜

1．6．3自然語言處理

1．6．4人機交互

1．6．5計算機視覺

1．6．6生物特征識別

1．6．7SLAM技術

1．6．8VR/AR/MR技術

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)應用

2．4．7代碼復用與模塊化編程

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單詞練習系統(tǒng)

本章小結(jié)

課后思考題

第3章概率統(tǒng)計基礎

3．1概率論

3．1．1概率與條件概率

3．1．2隨機變量

3．1．3離散隨機變量分布Python實驗

3．1．4連續(xù)隨機變量分布Python實驗

3．2數(shù)理統(tǒng)計基礎

3．2．1總體和樣本

3．2．2統(tǒng)計量與抽樣分布

3．2．3大數(shù)定律與中心極限定理

3．3參數(shù)估計

3．3．1點估計

3．3．2評價估計量的標準

3．3．3區(qū)間估計

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

4．1．1最優(yōu)化問題數(shù)學模型

4．1．2最優(yōu)化問題的分類及應用案例

4．1．3數(shù)學基礎

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章深度學習與神經(jīng)網(wǎng)絡

5．1深度學習

5．1．1深度學習概念

5．1．2深度學習原理

5．1．3深度學習訓練

5．2人工神經(jīng)網(wǎng)絡基礎

5．2．1神經(jīng)元感知器

5．2．2神經(jīng)網(wǎng)絡模型

5．2．3學習方式

5．2．4學習規(guī)則

5．2．5激活函數(shù)

5．2．6梯度下降法

5．2．7交叉熵損失函數(shù)

5．2．8過擬合與欠擬合

5．3卷積神經(jīng)網(wǎng)絡

5．3．1卷積神經(jīng)網(wǎng)絡簡介

5．3．2卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

5．3．3卷積神經(jīng)網(wǎng)絡計算

5．3．4典型卷積神經(jīng)網(wǎng)絡

5．4循環(huán)神經(jīng)網(wǎng)絡

5．4．1循環(huán)神經(jīng)網(wǎng)絡簡介

5．4．2循環(huán)神經(jīng)網(wǎng)絡結(jié)構(gòu)

5．4．3循環(huán)神經(jīng)網(wǎng)絡計算

5．5長短時記憶網(wǎng)絡

5．5．1長短時記憶網(wǎng)絡簡介

5．5．2長短時記憶網(wǎng)絡結(jié)構(gòu)

5．5．3長短時記憶網(wǎng)絡計算

本章小結(jié)

課后思考題

第6章TensorFlow深度學習

6．1引言

6．2TensorFlow技術特點

6．3TensorFlow組件結(jié)構(gòu)

6．4TensorFlow編程基礎

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批標準化

6．5TensorFlow神經(jīng)網(wǎng)絡模型構(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深度學習模型構(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正則表達式

7．2．5使用API

7．2．6爬蟲進階

7．3訓練數(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并行計算與CUDA編程

8．1引言

8．2GPU通用計算

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深度學習與GPU加速度計算

8．3．8深度學習下CUDA環(huán)境搭建

8．4CUDA加速深度學習的案例

8．4．1CUDA在TensorFlow框架里的應用

8．4．2CUDA在PyTorch框架里的應用

本章小結(jié)

課后思考題

第9章Python人工智能實驗

9．1曲線擬合實驗

9．1．1實驗內(nèi)容

9．1．2實驗步驟

9．2泰坦尼克號乘客死亡概率預測

9．2．1實驗內(nèi)容

9．2．2實驗步驟

9．3股票預測

9．3．1實驗內(nèi)容

9．3．2實驗步驟

9．4車牌識別

9．4．1實驗內(nèi)容

9．4．2實驗步驟

9．5佩戴口罩識別

9．5．1實驗內(nèi)容

9．5．2實驗步驟

9．6自動作詩實驗

9．6．1實驗內(nèi)容

9．6．2實驗步驟

9．7聊天機器人實驗

9．7．1實驗內(nèi)容

9．7．2實驗步驟

本章小結(jié)

課后思考題