Python人工智能实践(微视频版高等学校计算机专业系列教材)

本书围绕Python在人工 智能领域的应用进行组织， 内容上尽可能涵盖从Python 到人工智能应用的各个主要 方面。全书共12章，分为4 部分：第1部分(第1章)介绍 人工智能的概念、发展历史 及应用方向；第2部分(第2 ～4章)介绍Python的基础知 识、数据处理方法及相关的 库；第3部分(第5～6章)介 绍人工智能数学基础和常用 算法；第4部分(第7～12章) 通过应用实践案例，介绍运 用Python开发人工智能实践 项目的步骤和方法。每章都 附有拓展延伸部分和习题， 拓展延伸部分介绍相关的拓 展知识或阅读材料，以便有 兴趣的读者进一步钻研探索 。 本书可以作为高等院校 计算机、人工智能及相关专 业Python人工智能或机器学 习课程的教材，也可作为对 人工智能和Python感兴趣人 员的自学参考用书。

第1章 人工智能概述 1.1 什么是人工智能 1.2 人工智能的发展历史 1.2.1 曲折的发展史 1.2.2 三大学派 1.2.3 智能层次 1.3 人工智能的应用方向及场景 1.3.1 三大技术方向 1.3.2 典型应用领域 1.4 人工智能项目初体验 1.5 本章小结 1.6 拓展延伸 习题一 第2章 Python基础及控制结构 2.1 Python概述 2.1.1 Python的发展历史 2.1.2 Python的应用领域 2.1.3 Python的环境安装 2.2 Python基础知识 2.2.1 程序的格式框架 2.2.2 赋值和输入输出 2.2.3 基本数据类型 2.3 基本控制结构 2.3.1 分支结构 2.3.2 循环结构 2.3.3 异常处理 2.4 本章小结 2.5 拓展延伸 习题二 第3章 Python函数及组合数据类型 3.1 函数 3.1.1 函数的定义与调用 3.1.2 函数的参数传递 3.1.3 函数的返回值 3.1.4 局部变量和全局变量 3.1.5 lambda函数 3.1.6 函数递归 3.2 组合数据类型 3.2.1 序列类型 3.2.2 集合类型 3.2.3 映射类型 3.3 本章小结 3.4 拓展延伸 3.4.1 jieba库 3.4.2 词频统计 习题三 第4章 Python数据处理 4.1 文件 4.1.1 文件的概念 4.1.2 文件的打开和关闭 4.1.3 文件的读写 4.2 数据格式 4.2.1 二维数据格式 4.2.2 高维数据格式 4.3 常用标准库 4.3.1 math库 4.3.2 random库 4.3.3 json库 4.3.4 csv库 4.4 科学计算 4.5 数据获取 4.6 数据分析 4.7 数据可视化 4.7.1 Matplotlib库 4.7.2 wordcloud库 4.8 AI相关的库 4.9 本章小结 4.10 拓展延伸 习题四 第5章 人工智能数学基础 5.1 数学与人工智能 5.2 线性代数 5.2.1 矩阵的概念及矩阵运算 5.2.2 张量 5.2.3 向量和矩阵的应用 5.2.4 矩阵的运算 5.2.5 矩阵的应用 5.2.6 线性变换 5.2.7 特殊矩阵 5.2.8 矩阵的分块 5.2.9 行列式 5.2.10 特征值与特征向量 5.2.11 奇异值分解 5.3 概率论 5.3.1 概率论与人工智能 5.3.2 随机试验 5.3.3 样本点、样本空间、随机事件 5.3.4 随机变量 5.3.5 分布列 5.3.6 特殊离散分布 5.3.7 分布函数 5.3.8 特殊连续分布 5.3.9 图像的泊松噪声与高斯噪声 5.3.10 随机向量 5.3.11 联合分布函数 5.3.12 联合概率密度 5.3.13 条件概率、贝叶斯公式 5.3.14 贝叶斯定理应用 5.3.15 期望、方差 5.3.16 协方差、相关系数、协方差矩阵 5.4 最优化问题 5.4.1 最优化问题的概念 5.4.2 最优化问题的分类 5.4.3 最优化问题求解 5.4.4 几种最优化算法 5.5 本章小结 5.6 拓展延伸 习题五 第6章 人工智能常用算法 6.1 学习算法概述 6.1.1 学习算法的定义 6.1.2 机器学习算法的理性认识 6.2 机器学习的典型任务及分类 6.2.1 机器学习整体流程 6.2.2 机器学习基本概念 6.2.3 数据与特征的关系 6.2.4 常见的数据清理与特征选择方式 6.2.5 机器学习的训练方法 6.2.6 模型的有效性 6.2.7 机器学习的性能评估 6.3 机器学习常用算法 6.3.1 聚类 6.3.2 回归算法 6.3.3 决策树 6.3.4 支持向量机 6.3.5 贝叶斯 6.4 超参数和验证集 6.4.1 参数 6.4.2 超参数 6.4.3 留-法验证 6.4.4 交叉验证 6.4.5 随机选取验证集 6.4.6 相似性评估方法 6.4.7 相似性评估曲线 6.5 模式识别基本步骤 6.5.1 传统的模式识别框架 6.5.2 基于深度学习的模式识别框架 6.6 本章小结 6.7 拓展延伸 习题六 第7章 项目实践1：聊天机器人 7.1 认识“聊天机器人”项目 7.1.1 聊天机器人的分类 7.1.2 聊天机器人的开发步骤 7.2 文本表示 7.3 文本相似度计算 7.4 项目实现 7.4.1 语料库处理 7.4.2 对话处理 7.5 本章小结 7.6 拓展延伸 习题七 第8章 项目实践2：识别优质客户 8.1 认识“识别优质客户”项目 8.2 聚类问题 8.3 K-Means算法 8.4 项目实现 8.5 本章小结 8.6 拓展延伸 8.6.1 K-Means 8.6.2 elkan K-Means 8.6.3 Mini Batch K-Means 习题八 第9章 项目实践3：慧眼识花 9.1 认识“慧眼识花”项目 9.2 分类问题 9.3 kNN算法 9.4 项目实现 9.5 本章小结 9.6 拓展延伸 习题九 第1O章 项目实践4：购车意愿预测 10.1 认识“购车意愿预测”项目 10.2 逻辑回归 10.3 项