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 人工智能背后的數學 4
1．2 為何用Python 12
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 **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Pandas 32
2．1．2 Pandas的相關操作 34
2．2 Matplotlib可視化庫 48
2．2．1 初識Matplotlib 48
2．2．2 Matplotlib經典應用 51
2．3 SciPy科學計算庫 54
2．3．1 初識SciPy 54
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征 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學習的經典應用 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Scrapy 174
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 歸并排序 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 檢測視頻的人臉 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