人工智能基础与应用

第 1章 人工智能：开启智慧新时代　1
1.1　人工智能的缘起　1
1.1.1　什么是人工智能　1
1.1.2　人工智能的发展历程　2
1.1.3　人工智能的特征及典型应用　6
1.2　机器学习与深度学习　11
1.2.1　机器学习的含义　11
1.2.2　深度学习的崛起　12
1.2.3　神经网络的魅力　14
1.3　案例——小试牛刀：识别图像中的动物　15
1.3.1　提出问题　15
1.3.2　解决方案　15
1.3.3　预备知识　15
1.3.4　任务1——准备一个动物图像　16
1.3.5　任务2——智能获取动物信息　16
本章小结　18
课后习题　18
第　2章 Python：人工智能开发语言　20
2.1　初识Python　20
2.1.1　Python简介　20
2.1.2　Python的特点及应用领域　21
2.2　Python开发环境搭建　22
2.2.1　安装Python　22
2.2.2　安装Jupyter Notebook　24
2.2.3　浅尝Python　25
2.3　Python编程基础　27
2.3.1　变量　27
2.3.2　分支结构　27
2.3.3　循环结构　29
2.3.4　组合数据类型　31
2.4　NumPy基础应用　33
2.4.1　求解三元一次方程　33
2.4.2　数组计算　35
2.4.3　向量化处理　36
2.5　Matplotlib基础应用　38
2.5.1　绘制直方图　38
2.5.2　绘制散点图　39
2.6　案例1——求解一元二次方程　41
2.6.1　提出问题　41
2.6.2　解决方案　41
2.6.3　预备知识　41
2.6.4　任务1——从键盘输入方程的系数　41
2.6.5　任务2——调用roots函数求解方程　42
2.7　案例2——用折线图解读第二产业的GDP发展趋势　42
2.7.1　提出问题　42
2.7.2　解决方案　43
2.7.3　预备知识　43
2.7.4　任务1——读取GDP数据并观察数据结构　43
2.7.5　任务2——绘制GDP数据的折线图　44
本章小结　45
课后习题　45
第3章　线性回归：预测未来趋势　47
3.1　认识机器学习　47
3.1.1　机器如何学习　47
3.1.2　机器学习算法　48
3.2　认识线性回归　50
3.2.1　线性回归的数学表达式　50
3.2.2　线性回归的几个概念　50
3.2.3　梯度下降法　52
3.3　案例1——预测房屋价格　53
3.3.1　提出问题　53
3.3.2　解决方案　53
3.3.3　预备知识　54
3.3.4　任务1——可视化房屋数据　55
3.3.5　任务2——线性回归模型的训练　56
3.3.6　任务3——模型的测试及评估　58
3.4　案例2——预测投保人医疗费用　60
3.4.1　提出问题　60
3.4.2　解决方案　61
3.4.3　预备知识　61
3.4.4　任务1——加载数据并进行数据预处理　63
3.4.5　任务2——训练和测试医疗费用预测模型　64
3.4.6　任务3——进一步改善模型性能　66
本章小结　68
课后习题　69
第4章　分门别类：帮你“分而治之”　70
4.1　分类器　70
4.1.1　什么是分类器　70
4.1.2　分类器如何工作　71
4.2　几种主要的分类器　71
4.2.1　决策树　71
4.2.2　贝叶斯分类器　72
4.2.3　k近邻分类器　73
4.2.4　支持向量机　74
4.2.5　神经网络　74
4.3　案例1——手写数字识别　75
4.3.1　提出问题　75
4.3.2　解决方案　75
4.3.3　预备知识　75
4.3.4　任务1——数字图像信息转存为TXT文件　78
4.3.5　任务2——批量生成样本数据　80
4.3.6　任务3——构建KNN模型　81
4.3.7　任务4——训练KNN模型　81
4.3.8　任务5——评估模型效果　82
4.3.9　拓展任务　84
4.4　案例2——辅助诊断乳腺癌　86
4.4.1　提出问题　86
4.4.2　解决方案　86
4.4.3　预备知识　87
4.4.4　任务1——准备训练集和测试集　89
4.4.5　任务2——构建和训练模型　90
4.4.6　任务3——评估模型诊断效果　90
4.4.7　拓展任务　92
本章小结　93
课后习题　93
第5章　物以类聚：发现新簇群　95
5.1　聚类分析　95
5.1.1　何为聚类分析　95
5.1.2　常见聚类方法　96
5.1.3　聚类性能度量　97
5.2　k均值聚类　98
5.2.1　k均值算法流程　98
5.2.2　k均值算法应用提示　99
5.3　案例1——探究鸢尾花品种　100
5.3.1　提出问题　100
5.3.2　解决方案　100
5.3.3　预备知识　101
5.3.4　任务1——确定鸢尾花的品种数k值　103
5.3.5　任务2——绘制鸢尾花聚类后的结果散点图　104
5.4　案例2——电商客户分类　106
5.4.1　提出问题　106
5.4.2　解决方案　106
5.4.3　预备知识　107
5.4.4　任务1——选择的客户群分数目k　109
5.4.5　任务2——计算3类客户的RFM均值　111
5.4.6　任务3——为3类客户提出营销建议　113
本章小结　114
课后习题　115
第6章　个性化推荐：主动满足你的需求　117
6.1　认识个性化推荐　117
6.1.1　个性化推荐的思路　117
6.1.2　推荐算法分类　119
6.1.3　推荐效果评估　126
6.2　案例1——推荐你喜爱的电影　128
6.2.1　提出问题　128
6.2.2　解决方案　129
6.2.3　预备知识　129
6.2.4　任务1——合并电影基本信息和评分记录　131
6.2.5　任务2——找到与某个用户相似的n个用户　132
6.2.6　任务3——给某个用户推荐前m部电影　134
6.3　案例2——推荐你要一起购买的商品　135
6.3.1　提出问题　135
6.3.2　解决方案　135
6.3.3　预备知识　136
6.3.4　任务1——将CSV文件数据转换为事务型数据　139
6.3.5　任务2——找出购物清单中频繁被购买的商品　140
6.3.6　任务3——提取有用的销售关联规则　142
本章小结　143
课后习题　144
第7章　语音识别：让机器对你言听计从　145
7.1　语音识别　145
7.1.1　语音识别简史　145
7.1.2　语音识别过程　146
7.2　深度神经网络　150
7.2.1　深度神经网络基础　150
7.2.2　卷积神经网络　151
7.3　案例1——利用CNN识别英文语音数字　154
7.3.1　提出问题　154
7.3.2　解决方案　154
7.3.3　预备知识　155
7.3.4　任务1——提取音频文件的语音特征数据　160
7.3.5　任务2——构建语音数字识别神经网络模型　162
7.3.6　任务3——利用训练好的模型来识别语音　164
7.4　案例2——自制一个简单的实时语音识别系统　165
7.4.1　提出问题　165
7.4.2　解决方案　166
7.4.3　预备知识　166
7.4.4　任务1——准备音频文件和标签文件　167
7.4.5　任务2——利用EasyDL训练实时语音识别模型　168
7.4.6　任务3——调用模型进行实时语音识别　171
本章小结　176
课后习题　176
第8章　人脸识别：机器也认识你　178
8.1　人脸识别基础　178
8.1.1　人脸识别技术发展简史　178
8.1.2　人脸识别系统　179
8.1.3　人脸识别关键技术　181
8.2　认识OpenCV　183
8.2.1　OpenCV的框架结构　183
8.2.2　OpenCV中的人脸分类器　184
8.3　案例1——照片智能搜索　186
8.3.1　提出问题　186
8.3.2　解决方案　186
8.3.3　预备知识　187
8.3.4　任务1——训练人脸识别模型　191
8.3.5　任务2——利用训练好的模型来识别照片　192
8.4　案例2——口罩检测赋能卫生防护　193
8.4.1　提出问题　193
8.4.2　解决方案　194
8.4.3　预备知识　194
8.4.4　任务1——加载人脸口罩检测与识别预训练模型　198
8.4.5　任务2——检测视频中的人脸是否佩戴口罩　199
本章小结　200
课后习题　201
参考文献　203