人工智能原理與實(shí)踐：基于Python語(yǔ)言和TensorFlow
定 價(jià)：49.8 元
- 作者：張明 何艷珊 杜永文
- 出版時(shí)間：2019/8/1
- ISBN：9787115509291
- 出 版 社：人民郵電出版社
- 中圖法分類：TP18
- 頁(yè)碼：204
- 紙張：
- 版次：01
- 開本：16開
本書是一本針對(duì)高校學(xué)生的絕佳TensorFlow學(xué)習(xí)教材。作者結(jié)合眾多高質(zhì)量的代碼，生動(dòng)講解了TensorFlow的底層原理，并從實(shí)際應(yīng)用問(wèn)題入手，從實(shí)踐的角度出發(fā)，通過(guò)具體的TensorFlow案例程序介紹常見的模型和應(yīng)用解決辦法。同時(shí)，在教材中還介紹了模型部署和編程過(guò)程中所用到的諸多開發(fā)技巧。是學(xué)習(xí)和掌握人工智能這個(gè)最新、最火的IT領(lǐng)域的推薦圖書。
1、圖書內(nèi)容倡導(dǎo)并實(shí)踐理論實(shí)踐相結(jié)合的教學(xué)方式，鼓勵(lì)并督促學(xué)生“學(xué)習(xí)和練習(xí)相結(jié)合，理論與 實(shí)踐相結(jié)合”。針對(duì)圖書所要求的理論與實(shí)踐并重，兩方面都要抓，兩方面都要硬的要求，在實(shí)際教學(xué)過(guò)程中，除了基本的課堂授課以外，還會(huì)將知識(shí)點(diǎn)都設(shè)計(jì)并貫穿到實(shí)驗(yàn)中，當(dāng)堂實(shí)驗(yàn)當(dāng)堂講解當(dāng)堂掌握，讓學(xué)生盡快掌握基本知識(shí)的應(yīng)用。
2、將 Python語(yǔ)言內(nèi)容加入課程中，使得學(xué)生能夠?qū)W習(xí)了解到目前 IT領(lǐng)域內(nèi)比較受歡迎的熱門編程 語(yǔ)言。進(jìn)一步擴(kuò)寬學(xué)生的知識(shí)范圍，并為以后的就業(yè)打下了扎實(shí)的理論和實(shí)踐基礎(chǔ)。
3、TensorFlow 使用 Python 來(lái)構(gòu)建和執(zhí)行 graphs、編寫程序等工作。Python 作為一種流行的腳本語(yǔ)言，擁有免費(fèi)、跨平臺(tái)、簡(jiǎn)單易用、使用廣泛等優(yōu)點(diǎn)；將它應(yīng)用在人工智能課程的實(shí)驗(yàn)項(xiàng)目上，可以明顯減少花費(fèi)在實(shí)驗(yàn)項(xiàng)目上的時(shí)間，用Python 語(yǔ)言所寫的代碼也更加易于閱讀和維護(hù)；不需要學(xué)習(xí)龐大的AO 接口；能夠快速簡(jiǎn)單的建立工作流；
4、本圖書根據(jù)實(shí)際課程要求的培養(yǎng)目標(biāo)，結(jié)合高校相關(guān)專業(yè)學(xué)生的實(shí)際情況，制定了具有鮮明自身特色的教學(xué)大綱，從知識(shí)的深度和廣度兩方面進(jìn)一步針對(duì)目前流行的人工智能教材進(jìn)行重新編寫，使教材內(nèi)容更加的通俗易懂，并具備向國(guó)內(nèi)其他高校相關(guān)專業(yè)進(jìn)行普及的特點(diǎn)。
5、在理論教學(xué)和實(shí)驗(yàn)教學(xué)的手段運(yùn)用方面，將動(dòng)畫的形式融入到多媒體教學(xué)中，從而將計(jì)算機(jī)進(jìn)行思維的過(guò)程和特點(diǎn)以及一些繁瑣的算法推理，動(dòng)態(tài)的展現(xiàn)給學(xué)生，進(jìn)一步增強(qiáng)學(xué)生的學(xué)習(xí)興趣，提高學(xué)生的學(xué)習(xí)積極性。
6.本課程是谷歌產(chǎn)學(xué)合作項(xiàng)目支持課程。
張明 蘭州交通大學(xué)電信學(xué)院教師，韓國(guó)釜山廣域市國(guó)立釜慶大學(xué)獲工學(xué)博士學(xué)位。
何艷珊 蘭州交通大學(xué)電信學(xué)院教師，主要研究方向：數(shù)據(jù)挖掘與數(shù)據(jù)庫(kù)。
杜永文，碩士生導(dǎo)師，蘭州交通大學(xué)物聯(lián)網(wǎng)工程實(shí)驗(yàn)室主任。2005年11月到蘭州交通大學(xué)任教至今；2005年1月畢業(yè)于西北工業(yè)大學(xué)，并獲工學(xué)博士學(xué)位。
基 礎(chǔ) 篇
第1章 緒論 1
1.1 人工智能簡(jiǎn)介 1
1.1.1 人工智能的概念 1
1.1.2 現(xiàn)代人工智能的興起 5
1.1.3 人工智能的學(xué)術(shù)流派 5
1.2 人工智能的發(fā)展歷史 8
1.2.1 孕育期（1956年之前） 8
1.2.2 形成期（1956～1969年） 9
1.2.3 發(fā)展期（1970年之后） 11
1.3 人工智能技術(shù)的研究?jī)?nèi)容與應(yīng)用領(lǐng)域 13
1.3.1 神經(jīng)網(wǎng)絡(luò) 14
1.3.2 機(jī)器學(xué)習(xí) 15
1.3.3 模式識(shí)別 15
1.3.4 自然語(yǔ)言理解 16
1.3.5 專家系統(tǒng) 17
1.3.6 博弈 17
1.3.7 智能控制 18
1.3.8 其他 18
1.4 人工智能與TensorFlow 18
1.4.1 機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 18
1.4.2 TensorFlow概念 20
1.4.3 TensorFlow的應(yīng)用 23
第2章 Python基礎(chǔ)應(yīng)用 25
2.1 引言 25
2.2 Python的安裝 25
2.3 數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu) 29
2.4 數(shù)字 29
2.5 變量及其命名規(guī)則 29
2.6 語(yǔ)句和表達(dá)式 30
2.7 字符串 31
2.8 容器 32
2.8.1 列表 32
2.8.2 元組 35
2.8.3 字典 35
2.8.4 復(fù)制 36
2.9 函數(shù) 38
2.9.1 常用內(nèi)置函數(shù)及高階函數(shù) 38
2.9.2 用戶自定義函數(shù) 42
2.10 常用庫(kù) 43
2.10.1 時(shí)間庫(kù) 43
2.10.2 科學(xué)計(jì)算庫(kù)（NumPy） 47
2.10.3 可視化繪圖庫(kù)（Matplotlib） 54
2.10.4 鎖與線程 58
2.10.5 多線程編程 59
第3章 TensorFlow基礎(chǔ) 62
3.1 TensorFlow的架構(gòu) 62
3.2 TensorFlow的開發(fā)環(huán)境搭建 66
3.3 數(shù)據(jù)流圖簡(jiǎn)介 77
3.3.1 數(shù)據(jù)流圖基礎(chǔ) 77
3.3.2 節(jié)點(diǎn)的依賴關(guān)系 80
3.4 TensorFlow中定義數(shù)據(jù)流圖 83
3.4.1 構(gòu)建一個(gè)TensorFlow數(shù)據(jù)流圖 83
3.4.2 張量思維 87
3.4.3 張量的形狀 90
3.4.4 TensorFlow的Op 91
3.4.5 TensorFlow的Graph對(duì)象 93
3.4.6 TensorFlow的Session 94
3.4.7 輸入與占位符 97
3.4.8 Variable對(duì)象 98
3.5 通過(guò)名稱作用域組織數(shù)據(jù)流圖 100
3.6 構(gòu)建數(shù)據(jù)流圖 105
3.7 運(yùn)行數(shù)據(jù)流圖 108
第4章 TensorFlow運(yùn)作方式 114
4.1 數(shù)據(jù)的準(zhǔn)備和下載 114
4.2 圖表構(gòu)建與推理 115
4.2.1 圖表構(gòu)建 115
4.2.2 推理 116
4.3 損失與訓(xùn)練 117
4.3.1 損失 117
4.3.2 訓(xùn)練 117
4.4 狀態(tài)檢查與可視化 118
4.4.1 狀態(tài)檢查 118
4.4.2 狀態(tài)可視化 119
4.5 評(píng)估模型 120
4.6 評(píng)估圖表的構(gòu)建與輸出 123
4.6.1 評(píng)估圖表的構(gòu)建 123
4.6.2 評(píng)估圖表的輸出 123
實(shí) 戰(zhàn) 篇
第5章 MNIST機(jī)器學(xué)習(xí) 125
5.1 MNIST數(shù)據(jù)集簡(jiǎn)介 125
5.2 MNIST數(shù)據(jù)下載 127
5.2.1 數(shù)據(jù)的準(zhǔn)備 129
5.2.2 數(shù)據(jù)重構(gòu) 130
5.2.3 數(shù)據(jù)集對(duì)象 130
5.3 softmax回歸模型簡(jiǎn)介 131
5.4 模型的訓(xùn)練與評(píng)估 132
5.5 TensorFlow模型基本步驟 135
5.6 構(gòu)建softmax回歸模型 135
第6章 卷積神經(jīng)網(wǎng)絡(luò) 138
6.1 卷積神經(jīng)網(wǎng)絡(luò) 138
6.2 卷積神經(jīng)網(wǎng)絡(luò)的模型架構(gòu) 142
6.2.1 ImageNet-2010網(wǎng)絡(luò)結(jié)構(gòu) 142
6.2.2 DeepID網(wǎng)絡(luò)結(jié)構(gòu) 143
6.3 卷積運(yùn)算 144
6.3.1 輸入和卷積核 145
6.3.2 降維 145
6.3.3 填充 145
6.3.4 數(shù)據(jù)格式 145
6.4 卷積常見層 146
6.4.1 卷積層 146
6.4.2 池化層 149
6.4.3 歸一化 150
6.4.4 高級(jí)層 151
6.5 TensorFlow和圖像 152
6.5.1 圖像加載 152
6.5.2 圖像格式 152
6.5.3 圖像操作 152
6.5.4 顏色空間變換 153
6.6 模型訓(xùn)練 153
6.7 模型評(píng)估 154
6.8 多GPU的模型訓(xùn)練 154
第7章 字詞的向量表示 155
7.1 WordEmbedding的基本概念和知識(shí) 156
7.2 Skip-Gram模型 158
7.2.1 數(shù)據(jù)集的準(zhǔn)備 160
7.2.2 模型結(jié)構(gòu) 161
7.2.3 處理噪聲對(duì)比 162
7.2.4 模型訓(xùn)練 163
7.3 嵌套學(xué)習(xí)可視化與評(píng)估 164
7.4 優(yōu)化實(shí)現(xiàn) 166
第8章 遞歸神經(jīng)網(wǎng)絡(luò) 168
8.1 遞歸神經(jīng)網(wǎng)絡(luò)的架構(gòu) 169
8.2 PTB數(shù)據(jù) 170
8.3 模型及LSTM 170
8.3.1 LSTM的概念 172
8.3.2 LSTM的結(jié)構(gòu) 173
8.3.3 LSTM的控制門 173
8.4 反向傳播的截?cái)唷?75
8.5 輸入與損失函數(shù) 175
8.6 多個(gè)LSTM層堆疊 175
8.7 代碼的編譯與運(yùn)行 176
第9章 Mandelbrot集合 177
9.1 庫(kù)的導(dǎo)入 178
9.2 會(huì)話和變量初始化 179
9.3 定義并運(yùn)行計(jì)算 179
第10章 偏微分方程模擬仿真 180
10.1 計(jì)算函數(shù)的定義 180
10.2 偏微分方程的定義 182
10.3 仿真 183
第11章 人臉識(shí)別 185
11.1 人臉識(shí)別概念 185
11.2 人臉識(shí)別的流程 188
11.2.1 人臉圖像的采集 188
11.2.2 人臉圖像的檢測(cè) 189
11.2.3 人臉圖像的預(yù)處理 189
11.2.4 人臉圖像的特征提取 189
11.2.5 人臉圖像的匹配與識(shí)別 190
11.2.6 活體鑒別 190
11.3 人臉識(shí)別種類 190
11.3.1 人臉檢測(cè) 190
11.3.2 人臉關(guān)鍵點(diǎn)檢測(cè) 191
11.3.3 人臉驗(yàn)證 194
11.4 人臉檢測(cè) 194
11.4.1 LFW數(shù)據(jù)集 194
11.4.2 數(shù)據(jù)預(yù)處理與檢測(cè) 195
11.5 性別和年齡識(shí)別 196
11.5.1 數(shù)據(jù)預(yù)處理 198
11.5.2 模型構(gòu)建 198
11.5.3 模型訓(xùn)練 203
11.5.4 模型驗(yàn)證 204
書單推薦
