本書主要內容包括人工智能起源發展，特別是新一代人工智能的驅動因素和關鍵技術，並介紹通過Python編程語言的學習和數據統計、很優化方法等理論學習掌握人工智能的開發工具和方法。進而引出深度學習與神經網絡、GPU並行計算與CUDA編程等新一代人工智能的核心技術和方法，對於以往較為忽視的數據采集與數據集制作部分專門做一章節來介紹。最後以TensorFlow為平臺，通過各種與實際生產生活聯繫緊密的熱點應用為案例改編為實驗，達到提升創新素養和提高技能水平的人纔培養目標。

●第1章概述1．1引言1．2人工智能的概念與定義1．3人工智能三大學派1．3．1符號主義學派1．3．2連接主義學派1．3．3行為主義學派1．4人工智能起源與發展1．5新一代人工智能的驅動因素1．5．1數據量爆發性增長1．5．2計算能力大幅提升1．5．3深度學習等算法發展1．5．4移動AI創新應用牽引1．6人工智能關鍵技術1．6．1機器學習與深度學習1．6．2知識圖譜1．6．3自然語言處理1．6．4人機交互1．6．5計算機視覺1．6．6生物特征識別1．6．7SLAM技術1．6．8VR/AR/MR技術本章小結課後思考題第2章Python 編程語言2．1Python簡介2．1．1Python語言的發展2．1．2Python開發環境的安裝2．1．3Python運行2．2Python基本語法與數據類型2．2．1用程序實現問題求解 2．2．2Python程素2．2．3常用函數2．2．4Python基本數據類型2．2．5Python組合數據類型2．3Python程序結構2．3．1分支結構2．3．2循環結構2．3．3循環保留字2．3．4異常處理2．4Python函數與模塊化編程2．4．1函數的基本使用2．4．2參數的傳遞2．4．3函數的返回值2．4．4變量的作用域2．4．5匿名函數2．4．6函數應用2．4．7代碼復用與模塊化編程2．5Python面向對像編程2．5．1類的定義與使用2．5．2屬性和方法2．5．3繼承2．6Python文件操作與圖形化編程2．6．1文件的基本操作2．6．2圖形化界面tkinter2．6．3單詞練習繫統本章小結課後思考題第3章概率統計基礎3．1概率論3．1．1概率與條件概率3．1．2隨機變量3．1．3離散隨機變量分布Python實驗3．1．4連續隨機變量分布Python實驗3．2數理統計基礎3．2．1總體和樣本3．2．2統計量與抽樣分布3．2．3大數定律與中心極限定理3．3參數估計3．3．1點估計3．3．2評價估計量的標準3．3．3區間估計本章小結課後思考題第4章很優化方法4．1很優化方法基礎4．1．1很優化問題數學模型4．1．2很優化問題的分類及應用案例4．1．3數學基礎4．2凸優化4．2．1凸集4．2．2凸函數4．2．3凸優化概念4．2．4Python舉例4．3最小二乘法4．3．1最小二乘法原理4．3．2Python舉例4．4梯度下降法4．4．1梯度下降思想4．4．2梯度下降法算法步驟4．4．3梯度算法分類4．4．4Python舉例4．5牛頓法4．5．1牛頓法的基本原理4．5．2牛頓法的步驟4．5．3牛頓法求解無約束優化問題4．5．4Python舉例4．6共軛梯度法4．6．1共軛方向4．6．2共軛梯度法基本原理4．6．3共軛梯度法迭代步驟4．6．4Python舉例本章小結課後思考題第5章深度學習與神經網絡5．1深度學習5．1．1深度學習概念5．1．2深度學習原理5．1．3深度學習訓練5．2人工神經網絡基礎5．2．感知器5．2．2神經網絡模型5．2．3學習方式5．2．4學習規則5．2．5激活函數5．2．6梯度下降法5．2．7交叉熵損失函數5．2．8過擬合與欠擬合5．3卷積神經網絡5．3．1卷積神經網絡簡介5．3．2卷積神經網絡結構5．3．3卷積神經網絡計算5．3．4典型卷積神經網絡5．4循環神經網絡5．4．1循環神經網絡簡介5．4．2循環神經網絡結構5．4．3循環神經網絡計算5．5長短時記憶網絡5．5．1長短時記憶網絡簡介5．5．2長短時記憶網絡結構5．5．3長短時記憶網絡計算本章小結課後思考題第6章TensorFlow深度學習6．1引言6．2TensorFlow技術特點6．3TensorFlow組件結構6．4TensorFlow編程基礎6．4．1TensorFlow程序結構6．4．2TensorFlow編程模型6．4．3TensorFlow常用API6．4．4TensorFlow變量作用域6．4．5TensorFlow批標準化6．5TensorFlow神經網絡模型構建6．5．函數及優化方法6．5．2卷積函數6．5．3池化函數6．5．4分類函數6．5．5優化方法6．6TensorFlow運行環境安裝6．6．1Python安裝6．6．2pip工具安裝6．6．3Sublime安裝6．7TensorFlow深度學習模型構建6．7．1生成擬合數據集6．7．2構建線性回歸模型數據流圖6．7．3在Session中運行已構建的數據流圖6．7．4輸出擬合的線性回歸模型6．7．5TensorBoard神經網絡數據流圖可視化本章小結課後思考題第7章數據采集與數據集制作7．1引言7．2Python數據采集7．2．1Web機制和爬蟲原理7．2．2Python第三方庫7．2．3爬蟲三大庫7．2．4正則表達式7．2．5使用API7．2．6爬蟲進階7．3訓練數據集制作7．3．1數據存取7．3．2數據清洗7．4數據采集與數據集制作示例本章小結課後思考題第8章GPU並行計算與CUDA編程8．1引言8．2GPU通用計算8．2．1馮·諾依曼體繫架構8．2．2GPU發展簡介8．2．3早期的GPGPU編程8．2．4NVIDIA和CUDA8．3CUDA8．3．1GPU硬件8．3．2CPU與GPU8．3．3GPU的計算能力8．3．4CUDA軟件架構8．3．5CUDA硬件框架8．3．6CUDA編程模型8．3．7深度學習與GPU加速度計算8．3．8深度學習下CUDA環境搭建8．4CUDA加速深度學習的案例8．4．1CUDA在TensorFlow框架裡的應用8．4．2CUDA在PyTorch框架裡的應用本章小結課後思考題第9章Python人工智能實驗9．1曲線擬合實驗9．1．1實驗內容9．1．2實驗步驟9．2泰坦尼克號乘客死亡概率預測9．2．1實驗內容9．2．2實驗步驟9．3股票預測9．3．1實驗內容9．3．2實驗步驟9．4車牌識別9．4．1實驗內容9．4．2實驗步驟9．5佩戴口罩識別9．5．1實驗內容9．5．2實驗步驟9．6自動作詩實驗9．6．1實驗內容9．6．2實驗步驟9．7聊天機器人實驗9．7．1實驗內容9．7．2實驗步驟本章小結課後思考題

本書巧妙地將Python語言與人工智能知識結合在一起進行編排，使讀者既能全面學習Python編程語言，又能繫統了解人工智能基本原理並深入掌握人工智能特別是新一代人工智能關鍵技術，同時配有豐富的教學案例和前沿熱點應用，每一個知識點都有對應Python語言實現。全書共分為9章。第1章主要講解人工智能的發展歷史、驅動因素以及關鍵技術等。第2章為Python編程語言，繫統介紹Python的語法規則、數據類型、程序結構及文件操作和圖形化編程等。第3章為概率統計基礎，是人工智能的理論基礎。第4章為很優化方法，解釋人工智能算法本質問題。第5章深度學習與神經網絡是本書的重點章節，該章對當前基於深度學習的多層神經網絡，如卷積神經網絡、遞歸/循環神經網絡、長短期記憶神經網絡等進行全面、深入的講解。第6章TensorFlow深度學習，重點介紹深度學習開源框架TensorFlow的使用方法及如何利用Tenso等

楊博雄 主編,於營、肖衡、潘玉霞、高華玲、梁志勇 副主編 著