本書主要介紹主流的人工智能理論、算法以及Python實現方法，目的是使學生學會人工智能理論及推導過程，并且掌握調用Python人工智能庫和自定義編碼的方法。全書共分10章，分別為人工智能與Python概述、Python基礎、線性回歸及其Python實現、邏輯斯蒂分類及其Python實現、最大熵模型及其Python實現、K-近鄰分類與K-均值聚類及其Python實現、樸素貝葉斯分類及其Python實現、決策樹及其Python實現、神經網絡及其Python實現、圖像識別領域的應用案例。
本書可作為計算機專業相關課程的教材，也可作為程序設計人員的參考書。
（1）重點介紹人工智能的主要模型方法及其Python語言的實現。
（2）對于人工智能主要模型方法的學習，本著使讀者“知其然，知其所以然”的宗旨。
（3）通過案例教學，使讀者在解決實際問題的過程中學習Python語言和人工智能。
陳景強 教學經歷：擔任《高級語言程序設計A》、《面向對象程序設計及C++》、《Python語言程序設計》、《Python編程及人工智能應用》教學工作；擔任貝爾學院《高級語言程序設計A》課程負責人、《Python編程及人工智能應用》課程負責人。 科研經歷：研究方向為自動摘要、自然語言處理、人工智能，以第一作者身份在EMNLP、FGCS等高水平國際會議和期刊上發表文章7篇，主持并結題國家自然科學基金青年基金1項，主持并結題江蘇省自然科學基金青年基金1項。
第1章 人工智能與Python概述 1
1.1 人工智能的起源與發展 1
1.2 人工智能的核心概念 3
1.2.1 人工智能的三大學派 3
1.2.2 強人工智能與弱人工智能 4
1.3 人工智能的分支領域 5
1.3.1 機器學習與深度學習 5
1.3.2 人工智能的應用分支領域 7
1.4 人工智能行業應用與人才需求 9
1.4.1 人工智能行業應用舉例 9
1.4.2 人工智能人才需求 11
1.5 Python與人工智能的關系 12
1.6 Python人工智能開發環境安裝 13
1.6.1 Python的安裝和運行 13
1.6.2 人工智能開發庫的安裝 15
1.6.3 Python集成開發環境 16
1.6.4 Anaconda 18
本章小結 19
課后習題 19
第2章 Python基礎 21
2.1 基本語法 21
2.1.1 對象及其類型 21
2.1.2 變量和賦值 22
2.1.3 運算符和表達式 23
2.1.4 字符串 24
2.1.5 流程控制 26
2.2 組合數據類型 28
2.2.1 列表（list） 29
2.2.2 元組（tuple） 30
2.2.3 字典（dict） 31
2.2.4 集合（set和frozenset） 33
2.3 函數 34
2.3.1 函數的定義和調用 34
2.3.2 匿名函數與lambda關鍵字 35
2.4 異常處理和文件操作 35
2.4.1 異常處理 35
2.4.2 文件處理的一般過程 36
2.4.3 文件的寫操作 36
2.4.4 文件的讀操作 37
2.5 面向對象程序設計 37
2.5.1 類和對象 37
2.5.2 類的繼承 39
2.6 數值計算庫NumPy 39
2.6.1 NumPy多維數組 39
2.6.2 NumPy數組的索引和切片 44
2.6.3 NumPy數組的運算 45
2.6.4 NumPy數組的讀寫操作 46
2.6.5 NumPy中的數據統計與
分析 47
本章小結 49
課后習題 49
第3章 線性回歸及其Python實現 53
3.1 線性回歸問題簡介 53
3.2 單變量線性回歸問題 54
3.3 基于scikit-learn庫求解單變量線性
回歸 55
3.3.1 scikit-learn庫的LinearRegression
類說明 55
3.3.2 求解步驟與編程實現 56
3.3.3 基于scikit-learn庫的模型
評價 58
3.4 基于最小二乘法的自定義求解
單變量線性回歸 61
3.4.1 使用導數法求解 61
3.4.2 使用矩陣法求解 64
3.5 基于梯度下降法的自定義求解
單變量線性回歸 65
3.5.1 簡單二次函數的梯度下降法
求極值 65
3.5.2 批量梯度下降法 67
3.5.3 隨機梯度下降法 70
3.6 多變量線性回歸問題 71
3.6.1 基于scikit-learn庫求解 72
3.6.2 基于最小二乘法自定義求解 72
3.6.3 基于梯度下降法自定義求解 73
3.6.4 數據歸一化問題 74
3.6.5 高階擬合問題 75
本章小結 77
課后習題 77
第4章 邏輯斯蒂分類及其Python實現 79
4.1 邏輯斯蒂分類簡介 79
4.2 二分類邏輯斯蒂分類問題 81
4.3 基于scikit-learn庫求解二分類
邏輯斯蒂分類問題 83
4.3.1 scikit-learn庫的
LogisticRegression類說明 83
4.3.2 求解步驟與編程實現 84
4.4 基于梯度下降法求解二分類
邏輯斯蒂分類 86
4.4.1 確定優化目標 86
4.4.2 梯度計算 87
4.4.3 Python編程實現 88
4.5 分類模型的評價 90
4.5.1 分類模型的評價方法 90
4.5.2 正確率、精準率、召回率和
F1指數 90
4.5.3 ROC曲線 93
4.6 非線性分類問題 94
4.6.1 非線性分類問題的提出與
分析 94
4.6.2 基于scikit-learn庫的求解
實現 96
4.7 正則化問題 97
4.7.1 正則化問題的提出與分析 97
4.7.2 正則化問題的求解實現 98
4.8 多分類邏輯斯蒂分類 100
4.8.1 問題提出與分析 100
4.8.2 基于scikit-learn庫的
求解實現 101
4.8.3 基于梯度下降法的自定義
求解實現 102
本章小結 103
課后習題 103
第5章 最大熵模型及其Python實現 105
5.1 最大熵模型簡介 105
5.2 最大熵模型定義與對偶形式 106
5.2.1 最大熵模型的定義 106
5.2.2 最大熵模型的對偶形式 107
5.2.3 最大熵模型的應用舉例 109
5.2.4 最大熵模型與Softmax
分類器 111
5.3 最大熵模型的優化算法及
Python實現 111
5.3.1 通用迭代尺度算法 111
5.3.2 基于GIS算法的最大熵模型的
Python實現 112
5.3.3 改進的迭代尺度算法 115
5.3.4 基于IIS算法的最大熵模型的
Python實現 117
5.4 熵相關指標總結 119
本章小結 121
課后習題 121
第6章 K-近鄰分類與K-均值聚類及其Python實現 122
6.1 “近鄰”與分類和聚類 122
6.2 K-近鄰分類 122
6.2.1 K-近鄰分類的定義 122
6.2.2 自定義程序實現K-近鄰
分類算法 123
6.2.3 K-近鄰分類模型的3個基本
要素 125
6.2.4 基于scikit-learn庫實現K-近鄰
分類算法 126
6.2.5 K-近鄰分類算法的優缺點
分析 127
6.3 K-均值聚類 129
6.3.1 K-均值聚類算法的定義 129
6.3.2 自定義程序實現K-均值
聚類算法 130
6.3.3 基于scikit-learn庫實現K-均值
聚類算法 131
本章小結 132
課后習題 132
第7章 樸素貝葉斯分類及其Python
實現 134
7.1 貝葉斯分類簡介 134
7.2 樸素貝葉斯分類的定義、推導與
建模 135
7.2.1 定義與推導 135
7.2.2 對房屋是否好賣預測案例的
建模與計算 136
7.3 自定義程序實現樸素貝葉斯分類 138
7.3.1 建立特征矩陣 138
7.3.2 計算先驗概率 138
7.3.3 進行預測 139
7.3.4 Python編程實現 140
7.4 基于scikit-learn庫實現樸素
貝葉斯分類 141
7.4.1 scikit-learn庫的
MultinomialNB類說明 141
7.4.2 求解步驟與編程實現 142
7.5 連續型特征值的樸素貝葉斯分類 143
7.5.1 問題定義與分析 143
7.5.2 基于scikit-learn庫的
GaussianNB類實現 145
本章小結 145
課后習題 146
第8章 決策樹及其Python實現 148
8.1 決策樹簡介 148
8.2 ID3決策樹 149
8.2.1 ID3決策樹的基本原理 149
8.2.2 基于NumPy庫構建ID3
決策樹 150
8.2.3 用ID3決策樹實現分類 156
8.3 CART決策樹 157
8.3.1 CART決策樹的基本原理 157
8.3.2 scikit-learn庫的
DecisionTreeRegressor類介紹 158
8.3.3 基于scikit-learn庫構建
CART決策樹 159
8.3.4 用CART回歸樹實現預測 162
本章小結 163
課后習題 164
第9章 神經網絡及其Python實現 166
9.1 神經網絡簡介 166
9.2 TensorFlow 167
9.2.1 TensorFlow簡介 167
9.2.2 TensorFlow 2.0的安裝 168
9.2.3 TensorFlow 2.0的張量 168
9.2.4 TensorFlow 2.0的基本運算 169
9.2.5 TensorFlow 2.0的自動微分和
梯度計算 170
9.2.6 TensorFlow 2.0的常用模塊 171
9.3 Keras 171
9.3.1 Keras簡介 171
9.3.2 Keras的安裝 172
9.3.3 Keras的Sequential模型 172
9.3.4 Keras的Model模型 173
9.4 全連接神經網絡及其Keras實現 174
9.4.1 全連接神經網絡的基本原理 174
9.4.2 基于Keras庫構建全連接
神經網絡 176
9.4.3 基于Keras庫訓練全連接
神經網絡 179
9.4.4 用全連接神經網絡實現
圖像識別 181
9.5 全連接神經網絡的自定義程序
實現 182
9.5.1 全連接神經網絡類的定義 182
9.5.2 激活函數和損失函數的定義 183
9.5.3 全連接神經網絡模型的定義 184
9.5.4 訓練函數的定義 185
9.5.5 測試函數的定義 186
9.5.6 主函數的定義 186
9.6 卷積神經網絡及其TensorFlow
實現 187
9.6.1 卷積神經網絡的基本原理 187
9.6.2 基于TensorFlow庫構建卷積
神經網絡 189
9.6.3 基于TensorFlow庫訓練卷積
神經網絡 191
9.6.4 用卷積神經網絡實現
圖像識別 193
9.7 卷積神經網絡的AlexNet編程
實現 193
9.7.1 準備工作 194
9.7.2 AlexNet類的定義 195
9.7.3 主函數的定義 196
本章小結 196
課后習題 197
第10章 圖像識別領域的應用案例 198
10.1 圖像識別問題簡介 198
10.2 CIFAR10數據集 198
10.2.1 數據集簡介 198
10.2.2 數據預處理和加載
cifar10_reader.py 200
10.3 基于K-近鄰分類的圖像識別 203
10.3.1 問題分析 203
10.3.2 數據采樣 203
10.3.3 數據間距離計算 204
10.3.4 實現K-近鄰分類算法 206
10.3.5 用常規驗證方法選取K值 207
10.3.6 用交叉驗證法選取K值 208
10.4 基于邏輯斯蒂分類的圖像識別 210
10.4.1 自定義程序實現圖像識別 210
10.4.2 基于LogisticRegression
類實現圖像識別 211
10.5 基于最大熵模型的圖像識別 212
10.5.1 Softmax分類器 212
10.5.2 加載和預處理數據 214
10.5.3 實現圖像識別 215
10.5.4 歸一化方法的影響 217
10.6 基于樸素貝葉斯分類的圖像識別 217
10.6.1 連續型特征值的樸素貝葉斯
圖像識別 217
10.6.2 離散型特征值的樸素貝葉斯
圖像識別 218
10.7 基于全連接神經網絡的圖像識別 220
10.7.1 基于Keras實現全連接神經
網絡圖像識別 220
10.7.2 自定義程序實現雙層全連接
神經網絡 223
10.7.3 使用自定義TwoLayerNet
類進行圖像分類 226
10.8 基于卷積神經網絡的圖像識別 228
10.8.1 基于基礎卷積神經網絡實現
圖像識別 228
10.8.2 基于VGGNet實現圖像
識別 230
10.8.3 基于ResNet實現圖像
識別 232
本章小結 236
課后習題 236
新書資訊