Python人工智能

本書以Python為平臺，以將概念、實例和經典應用相結合的方式，介紹如何利用Python實現人工智能。全書分為9章，內容包括：人工智能的基礎，人工智能背景下的科學計算，人工神經網絡，遷移學習，網絡爬蟲，智能數據分析，機器學習，智能模型分析，人工智能的應用。為了幫助讀者更好地掌握相關知識，書中每章節都通過理論與實例相結合的方式，讓讀者在掌握概念的同時，掌握程序設計方法，並能利用程序設計解決實際問題。

李曉東，男。2001年畢業於廣西師範大學，計算機應用碩士學位。
現佛山科學技術學院電子信息工程學院計算機系副教授，系主任。
主要研究方向：圖像處理與分析、人工智能及智能算法等。
主持和參與省部級項目5項、市廳級項目4項。主編著作/教材4部。獲市級科技科技進步獎□項，通過省級成果鑑定4項。

目錄
第1章人工智能的基礎1
1．1由數學建模走進人工智能1
1．1．1數學建模1
1．1．2人工智能背後的數學4
1．2為何用Python12
1．2．1選擇Python的原因12
1．2．2 Python的優勢13
1．2．3 Python的安裝13
1．2．4使用pip安裝第三方庫16
1．2．5 Python的變量17
1．3 22個小程序18
1．4剖析程序19
1．5 NumPy入門23
1．5．1 NumPy的用法23
1．5．2廣播27
1．5．3向量化與“升維”28
1．5．4 NumPy的應用思想31

第2章人工智能背景下的科學計算32
2．1 Pandas科學計算庫32
2．1．1初識Pandas32
2．1．2 Pandas的相關操作34
2．2 Matplotlib可視化庫48
2．2．1初識Matplotlib48
2．2．2 Matplotlib經典應用51
2．3 SciPy科學計算庫54
2．3．1初識SciPy54
2．3．2 SciPy經典應用55

第3章人工神經網絡62
3．1人工神經網絡的概念62
3．1．1神經元62
3．1．2人工神經網絡的基本特徵64
3．2神經激活函數64
3．2．1線性激活函數65
3．2．2 Sigmoid激活函數65
3．2．3雙曲正切激活函數67
3．2．4修正線性激活函數68
3．2．5 PReLU激活函數70
3．2．6 softmax激活函數71
3．3反向傳播73
3．4卷積神經網絡79
3．5循環神經網絡85
3．5．1普通循環神經網絡85
3．5．2長短期記憶單元89
3．6生成對抗網絡93
3．7強化學習99
3．7．1 Q學習100
3．7．2 Q學習經典應用101
3．7．3深度Q學習106
3．7．4形式化損失函數106
3．7．5深度雙Q學習107
3．7．6深度Q學22經典應用108
3． 8受限玻爾茲曼機123
3．8．1 RBM的架構123
3．8．2 RBM的經典實現124
3．9自編碼器128
3．9．1自編碼器的架構128
3．9．2自編碼器的經典實現129

第4章遷移學習134
4．1遷移學習概述134
4．2 VGG16實現圖像風格轉移135
4．3糖尿病性視網膜病變檢測142
4．3．1病變數據集142
4．3．2損失函數定義143
4．3．3類別不平衡問題143
4．3．4預處理144
4．3．5仿射變換產生額外數據145
4．3．6網絡架構147
4．3．7優化器與交叉驗證150
4．3．8 Python實現151

第5章網絡爬蟲159
5．1初識爬蟲159
5．2爬蟲入門160
5．2．1入門基礎160
5．2．2爬蟲實戰162
5．3高效率爬蟲167
5．3．1多進程167
5．3．2多線程169
5．3．3協程172
5．4利用Scrapy實現爬蟲174
5．4．1安裝Scrapy174
5．4．2爬取招聘信息176

第6章智能數據分析182
6．1數據獲取182
6．1．1從鍵盤獲取182
6．1．2讀取與寫入182
6．1．3 Pandas讀寫操作185
6．2枚舉算法187
6．2．1枚舉定義187
6．2．2枚舉特點187
6．2．3枚舉經典應用188
6．3遞推問題189
6．4模擬問題191
6．5邏輯推理問題193
6．6排序問題195
6．6．1冒泡排序195
6．6．2選擇排序196
6．6．3桶排序198
6．6．4插入排序200
6．6．5快速排序201
6．6．6歸併排序203
6．6．7堆排序205
6． 7二分查找207
6．8勾股樹210
6．9數據分析經典案例212

第7章機器學習221
7．1 K-Means聚類算法221
7．1．1 K- Means聚類算法概述222
7．1．2目標函數222
7．1．3 K-Means聚類算法流程222
7．1．4 K-Means聚類算法的優缺點223
7．1．5 K-Means聚類算法經典應用224
7．2 kNN算法226
7．2．1 kNN算法基本思想226
7．2．2 kNN算法的重點227
7．2．3 kNN算法經典應用228
7．3樸素貝葉斯算法238
7．3．1貝葉斯定理239
7．3．2樸素貝葉斯分類原理239
7．3．3樸素貝葉斯分類流程圖240
7．3．4樸素貝葉斯算法的優缺點240
7．3．5樸素貝葉斯算法經典應用240
7．4廣義線性模型245
7．4．1線性模型245
7．4．2線性回歸251
7．4．3嶺回歸253
7．4．4套索回歸258
7．4．5彈性網絡回歸261
7．5決策樹算法264
7．5．1決策樹算法概述264
7．5．2經典算法264
7．5．3決策樹算法經典應用269
7．6隨機森林273
7．6．1隨機森林概述273
7．6．2隨機森林的構建274
7．6．3隨機森林的優勢與不足276
7．7支持向量機277
7．7．1分類間隔277
7．7．2函數間距279
7．7．3幾何間距279
7．7．4核函數281
7．7．5支持向量機核函數的實現284
7．7．6核函數與參數選擇286
7 ．8數據預處理289
7．9數據降維294
7．10智能推薦系統298
7．10．1推薦問題的描述298
7．10．2協同過濾算法298
7．10．3協同過濾算法的實現299

第8章智能模型分析303
8．1數據表達303
8．2數據升維308
8．3模型評估314
8．4優化模型參數318
8．5可信度評估322
8．6管道模型326
8．7選擇和參數調優330

第9章人工智能的應用334
9．1機器翻譯334
9．1．1神經機器翻譯334
9．1．2實現英譯德338
9．2機器語音識別344
9．2．1 CTC算法概念344
9．2．2 RNN+CTC模型的訓練345
9．2．3利用CTC實現語音識別347
9．3利用OpenCV實現人臉識別352
9．3．1人臉檢測352
9．3．2檢測22的人臉353
9．3．3車牌檢測354
9．3．4目標檢測355
9．4 GAN風格遷移357
9．4．1 DiscoGAN的工作原理357
9．4．2 CycleGAN的工作原理358
9．4．3預處理圖像358
9．4．4 DiscoGAN生成器360
9．4．5 DiscoGAN判別器362
9．4．6網絡構建和損失函數的定義363
9．4．7構建訓練過程366
9．4．8啟動訓練369
9．5利用OpenCV實現風格遷移372
9．6聊天機器人373
9．6． 1聊天機器人架構374
9．6．2序列到序列模型375
9．6．3建立序列到序列模型375
9．6．4實現聊天機器人376
9．7餐飲菜單推薦引擎383
參考文獻390