定 價：59 元
叢書名：一流本科專業(yè)一流本科課程建設系列教材
當前圖書已被 9 所學校薦購過！
查看明細
- 作者：沈建強
- 出版時間：2024/1/1
- ISBN：9787111742401
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP312PY
- 頁碼：
- 紙張：膠版紙
- 版次：1
- 開本：16開
本書在校企合作的基礎上編寫而成，在講述人工智能理論的基礎上突出工程應用性與實踐性，選用了適用于人工智能項目研發(fā)的Python編程語言。第1章為人工智能導論。第2章介紹Python程序設計基礎。第3章介紹Numpy、Matplotlib與Pandas。第4章介紹sklearn及Inforstack免費網上機器學習組件功能。第5章介紹數據預處理。第6章與第7章分別介紹監(jiān)督學習與非監(jiān)督學習常用算法，并分別使用Inforstack學習平臺建模和Python語言編程實現。第8章介紹語音交互、視覺處理與OpenCV圖像處理。第9章介紹人工神經網絡與深度學習及Tensorflow、PyTorch的應用。第10章為人工智能綜合應用案例。
本書既可作為高等院校開設人工智能、大數據分析課程的教材，也適合Python學習者及人工智能、大數據分析技術人員作為學習或參考用書。
本書配套教學課件、習題答案和源代碼。讀者如需獲取進一步的教學及技術支持可聯系作者（電子郵箱與Inforstack網絡學習平臺入口見本書前言）。
本書在校企合作的基礎上編寫而成，在講述人工智能理論的基礎上突出工程應用性與實踐性，選用了適用于人工智能項目研發(fā)的Python編程語言。
本書是在與企業(yè)共建人工智能課程的基礎上，校企合作編寫而成，并獲上海理工大學一流本科專業(yè)系列教材立項資助。全書突出人工智能企業(yè)應用與項目研發(fā)實例，強調工程應用性與實踐性；提供入門門檻較低的機器學習、大數據分析在線實驗平臺，平臺不僅可用于教學，也適用于企業(yè)輕松構建人工智能與大數據應用平臺。本書推薦“樹莓派+攝像頭+小音箱+USB傳聲器”為硬件配置的人工智能實驗套件，實驗平臺為實時處理視頻、圖像和語音交互提供了實驗條件。本書在應用案例環(huán)節(jié)介紹中選用了性價比高的Dobot Magician作為實驗用智能機械臂，讓讀者在實踐中理解與掌握人工智能理論與技術的精髓。
本書第1章為人工智能導論，同時介紹了開放的Inforstack人工智能與大數據應用在線平臺，及人工智能實驗套件的構成。第2章介紹了Python程序設計基礎。第3章介紹了科學計算、可視化與數據分析庫Numpy、Matplotlib與Pandas的操作及使用。第4章介紹了機器學習與sklearn機器學習庫，以及Inforstack機器學習組件的功能。第5章介紹了數據預處理。第6章與第7章分別介紹了監(jiān)督學習與非監(jiān)督學習算法及模型評價方法，并對應用案例分別用Inforstack平臺建模分析和Python語言編程實現。第8章介紹語音交互、OpenCV圖像處理與視覺處理基礎及應用。第9章先介紹了人工神經網絡與深度學習基礎知識，然后對Tensorflow、PyTorch及其應用做了簡要介紹。第10章例舉了四個人工智能綜合應用案例，前兩個案例介紹用Inforstack平臺實現客戶流失建模與評估和商品價格預測，應用案例三用Python語言實現基于深度學習的產品缺陷檢測，應用案例四在介紹本書推薦的人工智能實驗套件和Dobot機械臂的基礎上，介紹了用Python語言實現的垃圾智能分揀系統。
上海理工大學的沈建強、司呈勇、李筠和周穎編寫了第2、3章及第1、4、8、9章中的部分章節(jié)。泮海燕、何杰和齊悅編寫了第5～7章及第1、4、10章中的部分章節(jié)。王立奇編寫了第8、9章中大部分章節(jié)及第1、10章中的部分章節(jié)。本書由沈建強擔任主編，上海儀酷智能科技有限公司與上海久湛信息科技有限公司的工程師參與了本書的編寫工作，并提供了實驗用在線學習平臺與軟硬件設備。施耐德電氣的陳斌對本書的編寫給予了大力支持，北京科技大學何杰教授對本書的編寫提出了建設性的意見，云南大學的沈逸凡也為本書的編寫做出了貢獻，在此深表感謝。
本書配套教學課件、習題答案和源代碼。讀者如需獲取進一步的教學及技術支持（包括配套教學用人工智能實驗套件），可通過郵箱usstshen@163.com聯系作者。與本書配套的Inforstack免費實驗平臺網址為http：//web.inforstack.com：13100/work/flow（用戶名：上理工AI。密碼：shangligong123!），網站首頁配有平臺使用的快速入門視頻鏈接。
由于編者水平有限，若有疏漏或不當之處歡迎批評指正。
編?者
高等院校教師
前言
第1章?人工智能導論 1
1.1?人工智能技術及其發(fā)展 1
1.1.1?人工智能技術的發(fā)展歷程 1
1.1.2?人工智能技術簡介 1
1.1.3?Python語言與人工智能 3
1.2?教學實驗平臺推薦 3
1.2.1?Inforstack大數據應用平臺 3
1.2.2?語音與視覺智能實驗套件簡介 6
習題 11
第2章?Python程序設計基礎 12
2.1?基礎語法 12
2.1.1?Python語言概述 12
2.1.2?Python語言安裝與配置 12
2.1.3?Python基礎語法 14
2.2?程序的控制結構 22
2.2.1?選擇結構 22
2.2.2?循環(huán)結構 24
2.3?內置函數、常用模塊的導入與調用 26
2.3.1?常用內置函數 26
2.3.2 標準庫（模塊）的導入與
調用 27
2.4?列表、元組、字典與集合數據類型 29
2.4.1?序列類型 29
2.4.2?列表 30
2.4.3?元組 32
2.4.4?序列的公共基本操作 32
2.4.5?字典及其操作 35
2.4.6?集合及其操作 37
2.5?函數與模塊 38
2.5.1?函數 38
2.5.2?自定義模塊與包 44
2.6?面向對象的編程技術 46
2.6.1?面向對象程序設計的基本概念 46
2.6.2?類的定義與對象創(chuàng)建 46
2.6.3?屬性 47
2.6.4?方法 49
2.6.5?繼承性 50
2.6.6?多態(tài)性 51
2.7?程序的異常處理 52
2.8?用戶界面設計 53
2.8.1?Tkinter用戶界面設計 53
2.8.2?Tkinter畫布繪圖 58
2.9?文件與數據庫操作 61
2.9.1?文件操作 61
2.9.2?數據庫操作 64
習題 67
第3章?科學計算與數據分析庫 68
3.1?Anaconda安裝及其集成開發(fā)環(huán)境 68
3.1.1 Anaconda安裝 68
3.1.2 Anaconda集成開發(fā)環(huán)境簡介 68
3.2?Numpy的向量和矩陣操作處理 71
3.2.1?Numpy數組的創(chuàng)建與操作 71
3.2.2?Numpy的矩陣對象及操作 76
3.3?Matplotlib數據可視化 77
3.3.1?Matplotlib及其圖形繪制流程 77
3.3.2?圖形繪制與顯示實例 78
3.4?Pandas數據分析與處理 84
3.4.1?Pandas及其數據結構 84
3.4.2 DataFrame中的數據選取及
操作 86
3.4.3?Pandas讀寫文件操作 87
習題 88
第4章?機器學習簡介 89
4.1?機器學習的概念 89
4.2?機器學習庫sklearn 89
4.3?機器學習組件Inforstack 90
習題 91
第5章?數據預處理 92
5.1?預處理數據 92
5.2?數據清洗 92
5.2.1?缺失值處理 92
5.2.2?異常值識別 94
5.2.3?噪聲處理 95
5.2.4?不一致數據 96
5.3?數據變換 96
5.3.1?屬性構造 97
5.3.2?規(guī)范化 97
5.3.3?屬性編碼 98
5.3.4?離散化 100
5.4?數據歸約 104
5.4.1?數據聚集 104
5.4.2?維度歸約 104
5.4.3?樣本抽樣 107
5.5?數據集成 109
習題 109
第6章?監(jiān)督學習 110
6.1?監(jiān)督學習的概念 110
6.2?模型評價 111
6.2.1 評估方法 111
6.2.2 評估指標 112
6.2.3 參數調優(yōu) 115
6.3?決策樹算法 116
6.3.1 決策樹算法介紹 116
6.3.2 決策樹算法實現 117
6.3.3 決策樹算法應用案例 118
6.4?K近鄰算法 129
6.4.1 K近鄰算法介紹 129
6.4.2 K近鄰算法實現 130
6.4.3 K近鄰算法應用案例 131
6.5?樸素貝葉斯算法 135
6.5.1 貝葉斯定理 135
6.5.2 樸素貝葉斯算法實現 136
6.5.3 樸素貝葉斯算法應用案例 137
6.6?支持向量機算法 142
6.6.1 支持向量機算法介紹 142
6.6.2?支持向量機算法實現 142
6.6.3 支持向量機算法應用案例 148
6.7?線性回歸 152
6.7.1 線性回歸算法介紹 152
6.7.2 線性回歸算法實現 153
6.7.3 線性回歸算法應用案例 155
6.8?邏輯回歸 161
6.8.1 邏輯回歸算法介紹 161
6.8.2 邏輯回歸算法實現 163
6.8.3 邏輯回歸算法應用案例 163
6.9?隨機森林算法 168
6.9.1 集成學習簡介 168
6.9.2 隨機森林算法實現 169
6.9.3 隨機森林算法應用案例 170
習題 177
第7章?非監(jiān)督學習 178
7.1 K-均值算法 178
7.1.1 聚類算法簡介 178
7.1.2 K-均值算法實現 178
7.1.3 K-均值算法應用案例 179
7.2 Apriori算法 185
7.2.1 關聯規(guī)則的基本概念 185
7.2.2 Apriori算法實現 187
7.2.3 Apriori算法應用案例 188
7.3 降維算法 193
7.3.1 降維算法介紹 193
7.3.2 降維算法實現 193
7.3.3 降維算法應用案例 194
習題 197
第8章 自然語言與計算機視覺
處理 198
8.1 自然語言處理 198
8.1.1 自然語言處理基礎 198
8.1.2 語音交互技術基礎及應用
案例 199
8.2 計算機視覺處理 208
8.2.1 圖像處理與OpenCV入門 208
8.2.2 計算機視覺處理基礎及
應用實例 215
習題 219
第9章?人工神經網絡與深度學習 220
9.1 人工神經網絡與深度學習基礎 220
9.1.1 人工神經網絡基礎 220
9.1.2 深度學習 222
9.2 Tensorflow入門 224
9.2.1 Tensorflow安裝與基本API的
使用 224
9.2.2 基于Tensorflow的語音訓練
與識別 226
9.2.3 基于Tensorflow的圖像數據
訓練與識別 229
9.3 人工智能視覺模型及模型的終端
部署 234
9.3.1 PyTorch簡介 234
9.3.2 Yolov5基于CUDA的模型
部署 234
9.3.3 下載源碼及模型 239
9.3.4 實現使用GPU進行目標檢測 239
9.4 Inforstack深度學習組件 240
9.4.1 Inforstack平臺內置BP神經
網絡節(jié)點 240
9.4.2 Inforstack平臺內置深度學習
節(jié)點 241
習題 241
第10章?人工智能綜合應用案例 242
10.1 客戶流失模型建立與評估 242
10.1.1 案例概述 242
10.1.2 數據集 243
10.1.3 數據準備 244
10.1.4 流失客戶特征分析 248
10.1.5 特征重要性分析 250
10.1.6 樣本均衡性 250
10.1.7 模型構建和評估 251
10.1.8 模型應用 253
10.2 商品價格預測模型建立與評估 253
10.2.1 案例概述 253
10.2.2 數據集 253
10.2.3 變量相關性 255
10.2.4 模型構建和評估 258
10.2.5 模型應用 260
10.3 基于深度學習的產品缺陷檢測 261
10.3.1 案例概述 261
10.3.2 數據集 261
10.3.3 Keras導入與數據準備 262
10.3.4 模型構建與評估 263
10.4 垃圾智能分揀系統 264
10.4.1 垃圾智能分揀系統技術基礎 264
10.4.2 垃圾智能分揀系統設計
與實現 275
習題 281
參考文獻 282
書單推薦
