Python與人工智能應(yīng)用技術(shù)

項(xiàng)目1 認(rèn)識(shí)人工智能 1
1.1 人工智能簡(jiǎn)介 2
1.1.1 為什么要學(xué)人工智能 2
1.1.2 人工智能的定義 2
1.1.3 人工智能的技術(shù)目標(biāo) 3
1.1.4 人工智能的三次浪潮 3
1.1.5 人工智能的不完美性 5
1.2 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí) 5
1.3 人工智能的技術(shù)架構(gòu) 6
1.4 人工智能的應(yīng)用場(chǎng)景 6
1.5 人工智能的主要方向 8
1.6 人工智能的主要算法 8
1.6.1 機(jī)器學(xué)習(xí) 8
1.6.2 深度學(xué)習(xí) 9
1.7 人工智能相關(guān)的基礎(chǔ)學(xué)習(xí)庫與工具 10
1.8 深度學(xué)習(xí)框架與平臺(tái) 11
1.9 人工智能簡(jiǎn)單要素 12
1.9.1 訓(xùn)練和測(cè)試 12
1.9.2 基于人工智能的編程和基于規(guī)則的編程 12
課后習(xí)題 14
項(xiàng)目2 Python基礎(chǔ) 17
2.1 Python安裝 18
2.2 Python基本知識(shí) 21
2.2.1 基本運(yùn)算 21
2.2.2 變量 22
2.2.3 表達(dá)式和語句 22
2.2.4 類型 23
2.2.5 數(shù)字類型 23
2.2.6 字符串 23
2.2.7 注釋 25
2.3 模塊 25
2.4 數(shù)據(jù)結(jié)構(gòu) 25
2.4.1 列表 26
2.4.2 元組 27
2.5 字典 27
2.5.1 創(chuàng)建字典 28
2.5.2 常見操作 28
2.6 集合 28
2.6.1 基本操作 28
2.6.2 其他操作 29
2.7 條件語句和循環(huán)語句 30
2.7.1 條件語句 30
2.7.2 循環(huán)語句 30
2.8 函數(shù) 31
2.8.1 規(guī)則 31
2.8.2 語法 31
2.8.3 Lambda函數(shù) 32
2.9 Python面向?qū)ο蟮木幊?32
2.9.1 對(duì)象 32
2.9.2 繼承 34
2.9.3 組合 34
2.10 可視化 35
2.10.1 繪制圖形 35
2.10.2 顯示圖像 36
2.11 Python案例 37
課后習(xí)題 39
項(xiàng)目3 機(jī)器學(xué)習(xí)基礎(chǔ) 41
3.1 最小二乘法 42
3.2 激活函數(shù) 44
3.2.1 Sign函數(shù) 45
3.2.2 Sigmoid函數(shù) 45
3.2.3 Tanh函數(shù) 46
3.2.4 ReLU函數(shù) 47
3.3 損失函數(shù) 48
3.3.1 0-1損失函數(shù) 48
3.3.2 平方損失函數(shù) 48
3.3.3 對(duì)數(shù)損失函數(shù) 48
3.3.4 交叉熵?fù)p失函數(shù) 49
3.3.5 對(duì)比損失函數(shù) 49
3.4 梯度下降算法 49
3.5 前向傳播算法和反向傳播算法 50
3.5.1 前向傳播算法 50
3.5.2 反向傳播算法 51
3.6 學(xué)習(xí)率 52
3.7 正則化 53
3.7.1 正則化 53
3.7.2 正則化 53
3.8 歐氏距離和余弦相似度 54
3.8.1 歐氏距離 54
3.8.2 余弦相似度 54
3.8.3 基于角度間隔的方法 55
課后習(xí)題 55
項(xiàng)目4 特征工程及應(yīng)用 57
4.1 特征工程的含義 58
4.1.1 數(shù)據(jù)和數(shù)據(jù)處理 58
4.1.2 特征工程 58
4.1.3 特征工程的重要性 59
4.1.4 特征的種類 60
4.2 歸一化和標(biāo)準(zhǔn)化 60
4.2.1 歸一化 61
4.2.2 標(biāo)準(zhǔn)化 62
4.3 模型存儲(chǔ)和模型加載 63
4.3.1 模型存儲(chǔ) 63
4.3.2 模型加載 63
4.4 特征選擇和降維 63
4.4.1 特征值和特征向量 63
4.4.2 奇異值和奇異值分解 64
4.5 特征選擇和特征轉(zhuǎn)換 65
4.5.1 PCA的含義 65
4.5.2 PCA降維過程的代碼實(shí)現(xiàn)方法 68
4.5.3 LDA的含義 72
4.5.4 LDA降維過程的代碼實(shí)現(xiàn)方法 72
4.6 Python參數(shù)搜索 76
課后習(xí)題 77
項(xiàng)目5 經(jīng)典算法的實(shí)現(xiàn) 78
5.1 KNN算法 80
5.1.1 分類任務(wù) 80
5.1.2 回歸任務(wù) 81
5.2 支持向量機(jī) 82
5.2.1 支持向量機(jī)的基本原理 83
5.2.2 參數(shù)優(yōu)化 84
5.2.3 核函數(shù) 84
5.2.4 使用Scikit-Learn構(gòu)建支持向量機(jī) 85
5.3 邏輯回歸 85
5.3.1 確定假設(shè)函數(shù) 85
5.3.2 構(gòu)造損失函數(shù) 86
5.3.3 最小化損失函數(shù) 86
5.3.4 正則化 86
5.3.5 代碼實(shí)現(xiàn) 87
5.4 線性回歸 87
5.4.1 一元線性回歸 87
5.4.2 損失函數(shù) 88
5.4.3 優(yōu)化方法 88
5.5 樸素貝葉斯 88
5.5.1 樸素貝葉斯算法的流程 89
5.5.2 代碼實(shí)現(xiàn) 89
5.6 決策樹 90
5.6.1 ID3-最大信息增益 91
5.6.2 C4.5-最大信息增益比 91
5.6.3 CART-最大基尼系數(shù) 92
5.6.4 代碼實(shí)現(xiàn) 92
5.7 隨機(jī)森林 93
5.7.1 隨機(jī)森林算法的一般流程 94
5.7.2 代碼實(shí)現(xiàn) 94
5.8 梯度提升決策樹 95
5.8.1 梯度提升決策樹算法的一般流程 95
5.8.2 梯度提升和梯度下降的區(qū)別 95
5.8.3 梯度提升決策樹算法的實(shí)現(xiàn) 96
5.8.4 代碼實(shí)現(xiàn) 96
5.9 分類算法的評(píng)價(jià)指標(biāo) 97
5.9.1 混淆矩陣 97
5.9.2 精確率 98
5.9.3 召回率 98
5.9.4 ROC 98
5.10 回歸算法的評(píng)價(jià)指標(biāo) 99
5.10.1 偏差和方差 99
5.10.2 均方誤差 100
5.10.3 平均絕對(duì)誤差 100
5.10.4 R-squared 100
課后習(xí)題 101
項(xiàng)目6 神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練 102
6.1 神經(jīng)元 103
6.2 感知機(jī)的定義 103
6.3 簡(jiǎn)單邏輯電路 104
6.3.1 與門 104
6.3.2 或門 104
6.3.3 非門 105
6.4 感知機(jī)的實(shí)現(xiàn) 105
6.5 感知機(jī)的局限性 106
6.6 多層感知機(jī) 107
6.6.1 異或問題表示 107
6.6.2 異或問題實(shí)現(xiàn) 108
6.7 感知機(jī)的訓(xùn)練 109
課后習(xí)題 111
項(xiàng)目7 手寫數(shù)字識(shí)別 112
7.1 卷積神經(jīng)網(wǎng)絡(luò)與圖像處理 113
7.1.1 卷積神經(jīng)網(wǎng)絡(luò) 113
7.1.2 卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn) 117
7.2 深度神經(jīng)網(wǎng)絡(luò) 127
7.2.1 LeNet 128
7.2.2 AlexNet 128
7.2.3 VGGNet 129
7.2.4 ResNet 130
7.3 手寫數(shù)字識(shí)別案例 131
7.3.1 數(shù)據(jù)集解壓 131
7.3.2 加載數(shù)據(jù)集并識(shí)別 131
課后習(xí)題 133
項(xiàng)目8 人臉識(shí)別 135
8.1 人臉識(shí)別的流程 136
8.2 人臉檢測(cè) 137
8.2.1 人臉檢測(cè)的方法 137
8.2.2 評(píng)價(jià)指標(biāo) 140
8.2.3 人臉檢測(cè)部分代碼 141
8.3 人臉對(duì)齊 141
8.3.1 人臉對(duì)齊的方法 141
8.3.2 評(píng)價(jià)指標(biāo) 142
8.3.3 代碼實(shí)現(xiàn) 142
8.4 人臉表征 143
8.4.1 人臉表征的方法 144
8.4.2 評(píng)價(jià)指標(biāo) 144
8.5 人臉屬性識(shí)別 145
項(xiàng)目9 商品情感分析 147
9.1 自然語言處理 148
9.2 情感分析 148
9.2.1 數(shù)據(jù)準(zhǔn)備 149
9.2.2 數(shù)據(jù)預(yù)處理 149
9.2.3 商品情感識(shí)別 150
項(xiàng)目10 車牌識(shí)別 152
10.1 圖像識(shí)別與預(yù)處理 153
10.1.1 圖像識(shí)別的流程 153
10.1.2 圖像預(yù)處理 153
10.1.3 數(shù)字圖像的預(yù)處理 155
10.2 車牌檢測(cè)與識(shí)別 156
10.2.1 車牌檢測(cè)的流程 156
10.2.2 車牌識(shí)別的流程 159