本書分為三部分，第一部分介紹Python編程，包括Python基礎、Python面向對像和Python高級編程；第二部分介紹機器學習，包括機器學習概述、機器學習?經典算法和機器學習?回歸算法；第三部分介紹神經網絡，包括從感知機到神經網絡、神經網絡?反向傳播算法、神經網絡的訓練方法、卷積神經網絡和項目實例-表情識別。從模型構造到模型訓練，本書全面介紹了人工智能相關內容及人工智能在計算機視覺、自然語言處理中的應用，不僅闡述算法原理，還基於Python語言實現了算法。本書的每個知識點都給出了與之對應的程序，讀者不但能直接閱讀，而且可以運行程序，以獲得交互式的學習體驗。本書面向希望了解人工智能，特別是對實際應用人工智能感興趣的本科生、研究生、工程師和研究人員，可作為高等院校人工智能課程的教材。

邵一川，東北大學博士後、瀋陽大學副教授，遼寧省教育廳優秀人纔、瀋陽市撥尖人纔，"盛京人纔獎勵”獲得者、美國普渡大學訪問學者。近年來先後主持中國博士後面上基金，省博士啟動基金、自然科學基金，省財政廳項目，省教育廳項目。等多項省市***別項目。參編教材多部，主持省教改立項"成人教育遠程網絡教學繫統”及多項校級教改立項。近年來承擔"通信網絡程序設計”"虛擬現實技術”"大數據程序課程設計”"能源技術”"網絡控制繫統及應用”"科學數據可視化”"數據挖掘與數據倉庫”等多門本科生、研究生課程。

目錄

第一部分 Python編程
第1章 Python基礎\t3
1．1 Python簡介及開發環境搭建\t3
1．1．1 Python的安裝\t3
1．1．2 集成開發環境\t4
1．2 Python變量標識符和關鍵字\t7
1．2．1 變量定義\t7
1．2．2 變量的類型\t8
1．2．3 變量的命名\t11
1．3 Python運算符\t13
1．3．1 算術運算符\t13
1．3．2 比較（關繫）運算符\t13
1．3．3 邏輯運算符\t14
1．3．4 賦值運算符\t14
1．3．5 運算符的優先級\t14
1．4 Python分支與循環\t15
1．4．1 條件語句\t15
1．4．2 循環語句\t17
1．4．3 隨機數的處理\t21
1．5 Python函數\t22
1．5．1 函數定義\t23
1．5．2 函數的參數\t24
1．5．3 函數的返回值\t25
1．5．4 函數作用域\t26
1．5．5 匿名函數\t27
1．5．6 內置函數\t28
1．5．7 函數式編程\t31
1．5．8 將函數存儲在模塊中\t33
1．5．9 函數文檔字符串\t35
第2章 Python面向對像\t36
2．1 面向對像基本特征\t36
2．2 類的定義\t37
2．2．1 定義隻包含方法的類\t37
2．2．2 面向對像程序舉例\t37
2．3 self參數\t37
2．3．1 給對像設置屬性\t38
2．3．2 理解self參數到底是什麼\t38
2．4 __init__方法\t38
2．5 __str__方法\t39
2．6 面向過程和面向對像\t40
2．7 私有屬性――封裝\t43
2．8 將實例用作屬性-對像組合\t43
2．9 類屬性、類方法、靜態方法\t46
2．10 繼承\t49
2．11 __new__方法\t52
2．12 所有Python類型的父類\t53
2．13 單例模式\t54
2．14 參數注解\t54
第3章 Python高級編程\t56
3．1 Python閉包和裝飾器\t56
3．1．1 閉包\t56
3．1．2 裝飾器\t57
3．1．3 被裝飾的函數有返回值\t60
3．1．4 裝飾器帶參數\t61
3．1．5 多個裝飾器裝飾同一個函數\t62
3．1．6 基於類實現的裝飾器\t63
3．2 Python可迭代對像、迭代器及生成器\t64
3．2．1 可迭代對像\t65
3．2．2 迭代器\t68
3．2．3 生成器\t71
3．3 Python內置方法\t78
3．3．1 構造和初始化\t78
3．3．2 屬性訪問控制\t79
3．3．3 描述符\t79
3．3．4 構造自定義容器（Container）\t83
3．3．5 上下文管理器\t84
3．3．6 比較運算\t87
3．3．7 __str__和__repr__方法\t89
3．3．8 內置方法之__call__\t92
第二部分 機器學習
第4章 機器學習概述\t95
4．1 機器學習分類\t95
4．2 常用的機器學習算法\t96
4．3 機器學習的步驟\t97
4．3．1 問題定義\t97
4．3．2 數據采集\t98
4．3．3 數據準備\t98
4．3．4 數據分割\t99
4．3．5 算法的選擇與訓練\t99
4．3．6 算法的使用\t100
第5章 機器學習?經典算法\t110
5．1 主成分分析\t110
5．1．1 主成分分析簡介\t110
5．1．2 使用梯度上升法實現主成分分析\t113
5．1．3 選取數據的前k個主成分\t117
5．1．4 高維數據向低維數據映射\t120
5．1．5 使用主成分分析對數據進行降維可視化\t125
5．2 K-Means算法\t128
5．2．1 K-Means算法原理\t129
5．2．2 K-Means程序實例\t131
5．2．3 MiniBatch算法\t133
5．2．4 K-Means 算法分析\t134
5．3 KNN算法\t138
5．3．1 KNN算法的原理\t138
5．3．2 KNN算法程序實例\t138
5．4 梯度下降法\t140
5．4．1 一維梯度下降法\t140
5．4．2 多維梯度下降法\t141
第6章 機器學習?回歸算法\t144
6．1 線性回歸\t144
6．1．1 線性回歸簡介\t144
6．1．2 簡單線性回歸的最小二乘法推導過程\t145
6．1．3 衡量線性回歸的指標\t150
6．1．4線性回歸簡介\t157
6．2 多項式回歸\t161
6．2．1 多項式回歸的概念\t161
6．2．2 scikit-learn中的多項式回歸和Pipeline\t165
6．2．3 過擬合和欠擬合\t166
6．2．4 訓練數據和測試數據\t170
6．2．5 學習曲線\t172
6．2．6 交叉驗證\t175
6．2．7 模型正則化\t179
6．2．8 嶺回歸和 LASSO 回歸\t179
第三部分 神經網絡
第7章 從感知機到神經網絡\t189
7．1 感知機\t189
7．1．1 簡單邏輯電路\t190
7．1．2 感知機的實現\t191
7．1．3 感知機的局限性\t193
7．1．4 多層感知機\t195
7．2 神經網絡\t197
7．2．1 神經網絡舉例\t197
7．2．2 感知機知識回顧\t197
7．2．3 激活函數初探\t198
7．3 激活函數\t199
7．3．1 階躍函數\t199
7．3．2 Sigmoid函數\t199
7．3．3 階躍函數的實現\t200
7．3．4 Sigmoid函數的實現\t201
7．3．5 比較Sigmoid函數和階躍函數\t202
7．3．6 ReLU函數\t203
7．4 多維數組的運算\t204
7．4．1 多維數組\t204
7．4．2 矩陣乘法\t205
7．4．3 神經網絡乘積\t207
7．5 神經網絡的實現\t208
7．5．1 符號確認\t209
7．5．2 各層間信號傳遞的實現\t209
7．5．3 代碼實現小結\t212
7．6 輸出層的設計\t213
7．6．1 恆等函數和Softmax函數\t213
7．6．2 實現Softmax函數的注意事項\t214
7．6．3 Softmax函數的性質\t215
7．6．4 輸出層數量\t216
7．7 手寫數字識別\t216
7．7．1 MNIST數據集\t216
7．7．2 神經網絡的推理處理\t218
7．7．3 批處理\t220
第8章 神經網絡-反向傳播算法\t222
8．1 計算圖\t222
8．1．1 用計算圖求解\t222
8．1．2 局部計算\t223
8．1．3 為何用計算圖解決問題\t224
8．2 鏈式法則\t225
8．2．1 計算圖的反向傳播\t225
8．2．2 鏈式法則的原理\t225
8．2．3 鏈式法則和計算圖\t226
8．3 反向傳播\t227
8．3．1 加法節點的反向傳播\t227
8．3．2 乘法節點的反向傳播\t229
8．3．3 “蘋果”的例子\t230
8．4 簡單層的實現\t230
8．4．1 乘法層的實現\t231
8．4．2 加法層的實現\t232
8．5 激活函數層的實現\t233
8．5．1 ReLU層的實現\t233
8．5．2 Sigmoid層的實現\t234
8．6 Affine層和Softmax 層的實現\t237
8．6．1 Affine層的實現\t237
8．6．2 Softmax層的實現\t240
8．7 誤差反向傳播的實現\t242
8．7．1 神經網絡的實現步驟\t242
8．7．2 誤差反向傳播的神經網絡的實現\t242
8．7．3 誤差反向傳播的梯度確認\t245
8．7．4 誤差反向傳播的神經網絡的學習\t246
第9章 神經網絡的訓練方法\t247
9．1 參數的更新\t247
9．1．1 最優化問題的困難之處\t247
9．1．2 隨機梯度下降\t247
9．1．3 Momentum方法\t250
9．1．4 AdaGrad方法\t251
9．1．5 Adam方法\t253
9．1．6 選擇參數更新方法\t253
9．2 權重初始值\t255
9．2．1 可以將權重初始值設為0嗎\t255
9．2．2 隱藏層的激活值分布\t255
9．2．3 ReLU的權重初始值\t258
9．2．4 基於MNIST數據集的不同權重初始值的比較\t259
9．3 BatchNormalization算法\t260
9．3．1 算法原理\t260
9．3．2 算法評估\t261
9．4 正則化\t263
9．4．1 過擬合\t263
9．4．2 權重衰減\t264
9．4．3 Dropout方法\t265
9．5 超參數的驗證\t267
9．5．1 驗證數據\t267
9．5．2 超參數的最優化\t268
9．5．3 超參數最優化的實現\t269
第10章 卷積神經網絡\t271
10．1 整體結構\t271
10．2 卷積層\t272
10．2．1 全連接層存在的問題\t272
10．2．2 卷積運算\t272
10．2．3 填充\t274
10．2．4 步幅\t275
10．2．5 3維數據的卷積運算\t276
10．2．6 批處理\t278
10．3 池化層\t279
10．4 卷積層和池化層的實現\t281
10．4．1 問題簡化\t281
10．4．2 卷積層的實現\t283
10．4．3 池化層的實現\t284
10．5 卷積神經網絡的實現\t286
10．6 卷積神經網絡的可視化\t289
10．6．1 卷積層權重的可視化\t289
10．6．2 基於分層結構的信息提取\t290
10．7 具有代表性的卷積神經網絡\t291
第11章 項目實例-表情識別\t293
11．1 典型的人臉表情識別數據集fer2013\t293
11．1．1 fer2013人臉表情數據集簡介\t293
11．1．2 將表情圖片提取出來\t294
11．2 加載fer2013數據集\t296
11．3 斷點續訓\t298
11．3．1 Checkpoint神經網絡模型\t298
11．3．2 Checkpoint神經網絡模型改進\t298
11．3．3 Checkpoint最佳神經網絡模型\t300
11．3．4 加載Checkpoint神經網絡模型\t301
11．4 表情識別的PyTorch實現\t303
11．4．1 數據整理\t303
11．4．2 簡單分析\t304
11．4．3 數據增強處理 304
11．4．4 模型搭建\t305
11．4．5 對比幾種模型的訓練過程\t306