Python与人工智能应用技术

项目1 认识人工智能 1
1.1 人工智能简介 2
1.1.1 为什么要学人工智能 2
1.1.2 人工智能的定义 2
1.1.3 人工智能的技术目标 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、机器学习和深度学习 5
1.3 人工智能的技术架构 6
1.4 人工智能的应用场景 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 机器学习 8
1.6.2 深度学习 9
1.7 人工智能相关的基础学习库与工具 10
1.8 深度学习框架与平台 11
1.9 人工智能简单要素 12
1.9.1 训练和测试 12
1.9.2 基于人工智能的编程和基于规则的编程 12
课后习题 14
项目2 Python基础 17
2.1 Python安装 18
2.2 Python基本知识 21
2.2.1 基本运算 21
2.2.2 变量 22
2.2.3 表达式和语句 22
2.2.4 类型 23
2.2.5 数字类型 23
2.2.6 字符串 23
2.2.7 注释 25
2.3 模块 25
2.4 数据结构 25
2.4.1 列表 26
2.4.2 元组 27
2.5 字典 27
2.5.1 创建字典 28
2.5.2 常见操作 28
2.6 集合 28
2.6.1 基本操作 28
2.6.2 其他操作 29
2.7 条件语句和循环语句 30
2.7.1 条件语句 30
2.7.2 循环语句 30
2.8 函数 31
2.8.1 规则 31
2.8.2 语法 31
2.8.3 Lambda函数 32
2.9 Python面向对象的编程 32
2.9.1 对象 32
2.9.2 继承 34
2.9.3 组合 34
2.10 可视化 35
2.10.1 绘制图形 35
2.10.2 显示图像 36
2.11 Python案例 37
课后习题 39
项目3 机器学习基础 41
3.1 最小二乘法 42
3.2 激活函数 44
3.2.1 Sign函数 45
3.2.2 Sigmoid函数 45
3.2.3 Tanh函数 46
3.2.4 ReLU函数 47
3.3 损失函数 48
3.3.1 0-1损失函数 48
3.3.2 平方损失函数 48
3.3.3 对数损失函数 48
3.3.4 交叉熵损失函数 49
3.3.5 对比损失函数 49
3.4 梯度下降算法 49
3.5 前向传播算法和反向传播算法 50
3.5.1 前向传播算法 50
3.5.2 反向传播算法 51
3.6 学习率 52
3.7 正则化 53
3.7.1 正则化 53
3.7.2 正则化 53
3.8 欧氏距离和余弦相似度 54
3.8.1 欧氏距离 54
3.8.2 余弦相似度 54
3.8.3 基于角度间隔的方法 55
课后习题 55
项目4 特征工程及应用 57
4.1 特征工程的含义 58
4.1.1 数据和数据处理 58
4.1.2 特征工程 58
4.1.3 特征工程的重要性 59
4.1.4 特征的种类 60
4.2 归一化和标准化 60
4.2.1 归一化 61
4.2.2 标准化 62
4.3 模型存储和模型加载 63
4.3.1 模型存储 63
4.3.2 模型加载 63
4.4 特征选择和降维 63
4.4.1 特征值和特征向量 63
4.4.2 奇异值和奇异值分解 64
4.5 特征选择和特征转换 65
4.5.1 PCA的含义 65
4.5.2 PCA降维过程的代码实现方法 68
4.5.3 LDA的含义 72
4.5.4 LDA降维过程的代码实现方法 72
4.6 Python参数搜索 76
课后习题 77
项目5 经典算法的实现 78
5.1 KNN算法 80
5.1.1 分类任务 80
5.1.2 回归任务 81
5.2 支持向量机 82
5.2.1 支持向量机的基本原理 83
5.2.2 参数优化 84
5.2.3 核函数 84
5.2.4 使用Scikit-Learn构建支持向量机 85
5.3 逻辑回归 85
5.3.1 确定假设函数 85
5.3.2 构造损失函数 86
5.3.3 最小化损失函数 86
5.3.4 正则化 86
5.3.5 代码实现 87
5.4 线性回归 87
5.4.1 一元线性回归 87
5.4.2 损失函数 88
5.4.3 优化方法 88
5.5 朴素贝叶斯 88
5.5.1 朴素贝叶斯算法的流程 89
5.5.2 代码实现 89
5.6 决策树 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-最大基尼系数 92
5.6.4 代码实现 92
5.7 随机森林 93
5.7.1 随机森林算法的一般流程 94
5.7.2 代码实现 94
5.8 梯度提升决策树 95
5.8.1 梯度提升决策树算法的一般流程 95
5.8.2 梯度提升和梯度下降的区别 95
5.8.3 梯度提升决策树算法的实现 96
5.8.4 代码实现 96
5.9 分类算法的评价指标 97
5.9.1 混淆矩阵 97
5.9.2 精确率 98
5.9.3 召回率 98
5.9.4 ROC 98
5.10 回归算法的评价指标 99
5.10.1 偏差和方差 99
5.10.2 均方误差 100
5.10.3 平均绝对误差 100
5.10.4 R-squared 100
课后习题 101
项目6 神经网络的构建和训练 102
6.1 神经元 103
6.2 感知机的定义 103
6.3 简单逻辑电路 104
6.3.1 与门 104
6.3.2 或门 104
6.3.3 非门 105
6.4 感知机的实现 105
6.5 感知机的局限性 106
6.6 多层感知机 107
6.6.1 异或问题表示 107
6.6.2 异或问题实现 108
6.7 感知机的训练 109
课后习题 111
项目7 手写数字识别 112
7.1 卷积神经网络与图像处理 113
7.1.1 卷积神经网络 113
7.1.2 卷积神经网络的实现 117
7.2 深度神经网络 127
7.2.1 LeNet 128
7.2.2 AlexNet 128
7.2.3 VGGNet 129
7.2.4 ResNet 130
7.3 手写数字识别案例 131
7.3.1 数据集解压 131
7.3.2 加载数据集并识别 131
课后习题 133
项目8 人脸识别 135
8.1 人脸识别的流程 136
8.2 人脸检测 137
8.2.1 人脸检测的方法 137
8.2.2 评价指标 140
8.2.3 人脸检测部分代码 141
8.3 人脸对齐 141
8.3.1 人脸对齐的方法 141
8.3.2 评价指标 142
8.3.3 代码实现 142
8.4 人脸表征 143
8.4.1 人脸表征的方法 144
8.4.2 评价指标 144
8.5 人脸属性识别 145
项目9 商品情感分析 147
9.1 自然语言处理 148
9.2 情感分析 148
9.2.1 数据准备 149
9.2.2 数据预处理 149
9.2.3 商品情感识别 150
项目10 车牌识别 152
10.1 图像识别与预处理 153
10.1.1 图像识别的流程 153
10.1.2 图像预处理 153
10.1.3 数字图像的预处理 155
10.2 车牌检测与识别 156
10.2.1 车牌检测的流程 156
10.2.2 车牌识别的流程 159