本书是Python入门图书，适合初学者使用。全书共9章，通过64个有趣的案例介绍Python基础知识，主要内容包括搭建Python开发环境、Python基础、字符串与列表、字典、if语句、循环语句、循环嵌套语句、文件与系统、函数。本书为慕课版教材，在人邮学院（www.rymooc.com）平台上提供了本书的配套慕课，同时编者还为本书各章节的主要内容配备了以二维码为载体的微课。此外，本书还提供课程资
电子书
内容简介
本书主要介绍主流的人工智能理论、算法以及Python实现方法，目的是使学生学会人工智能理论及推导过程，并且掌握调用Python人工智能库和自定义编码的方法。全书共分10章，分别为人工智能与Python概述、Python基础、线性回归及其Python实现、逻辑斯蒂分类及其Python实现、最大熵模型及其Python实现、K-近邻分类与K-均值聚类及其Python实现、朴素贝叶斯分类及其Python实现、决策树及其Python实现、神经网络及其Python实现、图像识别领域的应用案例。
本书可作为计算机专业相关课程的教材，也可作为程序设计人员的参考书。
章节目录
- A-fy
- 62658-bq
- C-qy
- 前言
- D-ml
- 目录
- 01
- 第1章
- 人工智能与Python概述
- 1.1 人工智能的起源与发展
- 1.2 人工智能的核心概念
- 1.2.1 人工智能的三大学派
- 1.2.2 强人工智能与弱人工智能
- 1.3 人工智能的分支领域
- 1.3.1 机器学习与深度学习
- 1.3.2 人工智能的应用分支领域
- 1.4 人工智能行业应用与人才需求
- 1.4.1 人工智能行业应用举例
- 1.4.2 人工智能人才需求
- 1.5 Python与人工智能的关系
- 1.6 Python人工智能开发环境安装
- 1.6.1 Python的安装和运行
- 1.6.2 人工智能开发库的安装
- 1.6.3 Python集成开发环境
- 1.6.4 Anaconda
- 本章小结
- 课后习题
- 02
- Python基础
- 第2章
- 2.1 基本语法
- 2.1.1 对象及其类型
- 2.1.2 变量和赋值
- 2.1.3 运算符和表达式
- 2.1.4 字符串
- 2.1.5 流程控制
- 2.2 组合数据类型
- 2.2.1 列表
- 2.2.2 元组
- 2.2.3 字典
- 2.2.4 集合
- 2.3 函数
- 2.3.1 函数的定义和调用
- 2.3.2 匿名函数与lambda关键字
- 2.4 异常处理和文件操作
- 2.4.1 异常处理
- 2.4.2 文件处理的一般过程
- 2.4.3 文件的写操作
- 2.4.4 文件的读操作
- 2.5 面向对象程序设计
- 2.5.1 类和对象
- 2.5.2 类的继承
- 2.6 数值计算库NumPy
- 2.6.1 NumPy多维数组
- 2.6.2 NumPy数组的索引和切片
- 2.6.3 NumPy数组的运算
- 2.6.4 NumPy数组的读写操作
- 2.6.5 NumPy中的数据统计与分析
- 本章小结
- 课后习题
- 03
- 线性回归及其Python实现
- 第3章
- 3.1 线性回归问题简介
- 3.2 单变量线性回归问题
- 3.3 基于scikit-learn库求解单变量线性回归
- 3.3.1 scikit-learn库的LinearRegression类说明
- 3.3.2 求解步骤与编程实现
- 3.3.3 基于scikit-learn库的模型评价
- 3.4 基于最小二乘法的自定义求解单变量线性回归
- 3.4.1 使用导数法求解
- 3.4.2 使用矩阵法求解
- 3.5 基于梯度下降法的自定义求解单变量线性回归
- 3.5.1 简单二次函数的梯度下降法求极值
- 3.5.2 批量梯度下降法
- 3.5.3 随机梯度下降法
- 3.6 多变量线性回归问题
- 3.6.1 基于scikit-learn库求解
- 3.6.2 基于最小二乘法自定义求解
- 3.6.3 基于梯度下降法自定义求解
- 3.6.4 数据归一化问题
- 3.6.5 高阶拟合问题
- 本章小结
- 课后习题
- 04
- 逻辑斯蒂分类及其Python实现
- 第4章
- 4.1 逻辑斯蒂分类简介
- 4.2 二分类逻辑斯蒂分类问题
- 4.3 基于scikit-learn库求解二分类逻辑斯蒂分类问题
- 4.3.1 scikit-learn库的LogisticRegression类说明
- 4.3.2 求解步骤与编程实现
- 4.4 基于梯度下降法求解二分类逻辑斯蒂分类
- 4.4.1 确定优化目标
- 4.4.2 梯度计算
- 4.4.3 Python编程实现
- 4.5 分类模型的评价
- 4.5.1 分类模型的评价方法
- 4.5.2 正确率、精准率、召回率和F1指数
- 4.5.3 ROC曲线
- 4.6 非线性分类问题
- 4.6.1 非线性分类问题的提出与分析
- 4.6.2 基于scikit-learn库的求解实现
- 4.7 正则化问题
- 4.7.1 正则化问题的提出与分析
- 4.7.2 正则化问题的求解实现
- 4.8 多分类逻辑斯蒂分类
- 4.8.1 问题提出与分析
- 4.8.2 基于scikit-learn库的求解实现
- 4.8.3 基于梯度下降法的自定义求解实现
- 本章小结
- 课后习题
- 05
- 最大熵模型及其Python实现
- 第5章
- 5.1 最大熵模型简介
- 5.2 最大熵模型定义与对偶形式
- 5.2.1 最大熵模型的定义
- 5.2.2 最大熵模型的对偶形式
- 5.2.3 最大熵模型的应用举例
- 5.2.4 最大熵模型与Softmax分类器
- 5.3 最大熵模型的优化算法及Python实现
- 5.3.1 通用迭代尺度算法
- 5.3.2 基于GIS算法的最大熵模型的Python实现
- 5.3.3 改进的迭代尺度算法
- 5.3.4 基于IIS算法的最大熵模型的Python实现
- 5.4 熵相关指标总结
- 本章小结
- 课后习题
- 06
- K-近邻分类与K-均值聚类及其Python实现
- 第6章
- 6.1 “近邻”与分类和聚类
- 6.2 K-近邻分类
- 6.2.1 K-近邻分类的定义
- 6.2.2 自定义程序实现K-近邻分类算法
- 6.2.3 K-近邻分类模型的3个基本要素
- 6.2.4 基于scikit-learn库实现K-近邻分类算法
- 6.2.5 K-近邻分类算法的优缺点分析
- 6.3 K-均值聚类
- 6.3.1 K-均值聚类算法的定义
- 6.3.2 自定义程序实现K-均值聚类算法
- 6.3.3 基于scikit-learn库实现K-均值聚类算法
- 本章小结
- 课后习题
- 07
- 朴素贝叶斯分类及其Python实现
- 第7章
- 7.1 贝叶斯分类简介
- 7.2 朴素贝叶斯分类的定义、推导与建模
- 7.2.1 定义与推导
- 7.2.2 对房屋是否好卖预测案例的建模与计算
- 7.3 自定义程序实现朴素贝叶斯分类
- 7.3.1 建立特征矩阵
- 7.3.2 计算先验概率
- 7.3.3 进行预测
- 7.3.4 Python编程实现
- 7.4 基于scikit-learn库实现朴素贝叶斯分类
- 7.4.1 scikit-learn库的MultinomialNB类说明
- 7.4.2 求解步骤与编程实现
- 7.5 连续型特征值的朴素贝叶斯分类
- 7.5.1 问题定义与分析
- 7.5.2 基于scikit-learn库的GaussianNB类实现
- 本章小结
- 课后习题
- 08
- 决策树及其Python实现
- 第8章
- 8.1 决策树简介
- 8.2 ID3决策树
- 8.2.1 ID3决策树的基本原理
- 8.2.2 基于NumPy库构建ID3决策树
- 8.2.3 用ID3决策树实现分类
- 8.3 CART决策树
- 8.3.1 CART决策树的基本原理
- 8.3.2 scikit-learn库的DecisionTreeRegressor类介绍
- 8.3.3 基于scikit-learn库构建CART决策树
- 8.3.4 用CART回归树实现预测
- 本章小结
- 课后习题
- 09
- 神经网络及其Python实现
- 第9章
- 9.1 神经网络简介
- 9.2 TensorFlow
- 9.2.1 TensorFlow简介
- 9.2.2 TensorFlow 2.0的安装
- 9.2.3 TensorFlow 2.0的张量
- 9.2.4 TensorFlow 2.0的基本运算
- 9.2.5 TensorFlow 2.0的自动微分和梯度计算
- 9.2.6 TensorFlow 2.0的常用模块
- 9.3 Keras
- 9.3.1 Keras简介
- 9.3.2 Keras的安装
- 9.3.3 Keras的Sequential模型
- 9.3.4 Keras的Model模型
- 9.4 全连接神经网络及其Keras实现
- 9.4.1 全连接神经网络的基本原理
- 9.4.2 基于Keras库构建全连接神经网络
- 9.4.3 基于Keras库训练全连接神经网络
- 9.4.4 用全连接神经网络实现图像识别
- 9.5 全连接神经网络的自定义程序实现
- 9.5.1 全连接神经网络类的定义
- 9.5.2 激活函数和损失函数的定义
- 9.5.3 全连接神经网络模型的定义
- 9.5.4 训练函数的定义
- 9.5.5 测试函数的定义
- 9.5.6 主函数的定义
- 9.6 卷积神经网络及其TensorFlow实现
- 9.6.1 卷积神经网络的基本原理
- 9.6.2 基于TensorFlow库构建卷积神经网络
- 9.6.3 基于TensorFlow库训练卷积神经网络
- 9.6.4 用卷积神经网络实现图像识别
- 9.7 卷积神经网络的AlexNet编程实现
- 9.7.1 准备工作
- 9.7.2 AlexNet类的定义
- 9.7.3 主函数的定义
- 本章小结
- 课后习题
- 10
- 图像识别领域的应用案例
- 第10章
- 10.1 图像识别问题简介
- 10.2 CIFAR10数据集
- 10.2.1 数据集简介
- 10.2.2 数据预处理和加载cifar10_reader.py
- 10.3 基于K-近邻分类的图像识别
- 10.3.1 问题分析
- 10.3.2 数据采样
- 10.3.3 数据间距离计算
- 10.3.4 实现K-近邻分类算法
- 10.3.5 用常规验证方法选取K值
- 10.3.6 用交叉验证法选取K值
- 10.4 基于逻辑斯蒂分类的图像识别
- 10.4.1 自定义程序实现图像识别
- 10.4.2 基于LogisticRegression类实现图像识别
- 10.5 基于最大熵模型的图像识别
- 10.5.1 Softmax分类器
- 10.5.2 加载和预处理数据
- 10.5.3 实现图像识别
- 10.5.4 归一化方法的影响
- 10.6 基于朴素贝叶斯分类的图像识别
- 10.6.1 连续型特征值的朴素贝叶斯图像识别
- 10.6.2 离散型特征值的朴素贝叶斯图像识别
- 10.7 基于全连接神经网络的图像识别
- 10.7.1 基于Keras实现全连接神经网络图像识别
- 10.7.2 自定义程序实现双层全连接神经网络
- 10.7.3 使用自定义TwoLayerNet类进行图像分类
- 10.8 基于卷积神经网络的图像识别
- 10.8.1 基于基础卷积神经网络实现图像识别
- 10.8.2 基于VGGNet实现图像识别
- 10.8.3 基于ResNet实现图像识别
- 本章小结
- 课后习题
展开全部
人工智能应用实践教程（Python实现）（慕课版）是2024年由人民邮电出版社出版,作者汪云云。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《人工智能应用实践教程（Python实现）（慕课版）》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
本书是一部零基础、高标准，大广度、重实践的Python编程从入门到熟练的教材。本书覆盖面非常广，包括计算机基础常识、Python语言的基本要素、基本运算和条件分支语句、循环语句、函数、递归、复杂数据类型、计算思维、文件读写、正则表达式、玩转Python生态、数据分析和可视化、网络爬虫、面向对象程序设计入门、tkinter图形界面程序设计等内容。正则表达式、网络爬虫、图形界面等都是其他大多数Pyth
电子书
本书分为4个部分。第一部分是搭建工作平台：Python的安装、SublimeText的安装、Python程序的运行、Python自带的集成开发环境IDLE简介。第二部分是基础知识：变量、字符串、常量、表达式，选择和循环：程序的结构，元组、列表、字典，函数。第三部分是提高：类、图形用户界面(GUI)、异常处理及程序调试、文件与目录操作、基本数据结构的扩展。第四部分是实践：用Python的游戏模块py
电子书
本书介绍使用Python语言进行计算机编程的基本思想和操作方法以及Python语言的基础知识，共分九章，每章下细分为节，每节有各自的学习目标和相关知识介绍。第十章为配套实验，有6个经典实验供学生学习。
电子书
本书系统全面地介绍了Python程序开发所涉及的各类知识、内容包括：Python简介、Python程序基础语法、程序的控制结构、列表和元组、字典和集合、字符串及正则表达式、函数、模块、面向对象程序设计、文件与文件夹操作、异常处理与程序调试、Pygame游戏编程、网络爬虫、综合开发实例——学生信息管理系统、课程设计——玛丽冒险游戏。
电子书
全书共分为两个部分。第一部分是上机指导，从计算机与信息技术基础、计算机系统的构成、操作系统基础、计算机网络与因特网、文档编辑软件Word2010、电子表格软件Excel2010、演示文稿软件PowerPoint2010、常用工具软件、信息安全与职业道德、计算机新技术及应用等10个方面来组织内容。
电子书
本书介绍了InDesignCC2019的基本操作技巧和核心功能，具体包括初识InDesignCC2019、InDesignCC2019基础知识、常用工具与面板、基础绘图、高级绘图、版式编排、页面布局、书籍编排、商业案例实训等内容。
电子书
本书以案例驱动的方式介绍Android编程的基本概念及技术，主要内容包括Android开发环境搭建，AndroidStudio使用入门，Android常用UI布局及控件，Android组件Activity，Android高级控件ListView和RecyclerView、ViewPager和Fragment，以及Android的网络编程框架Volley和Gson等。全书除了在第1~8章的每章中都提
