新書推薦：
《
小原流花道技法教程
》
售價：HK$
109.8
《
少女映像室 唯美人像摄影从入门到实战
》
售價：HK$
110.9
《
詹姆斯·伍德系列：不负责任的自我：论笑与小说（“美国图书评论奖”入围作品 当代重要文学批评家詹姆斯·伍德对“文学中的笑与喜剧”的精湛研究）
》
售價：HK$
87.4
《
武当内家散手
》
售價：HK$
50.4
《
诛吕：“诸吕之乱”的真相与吕太后时期的权力结构
》
售價：HK$
99.7
《
炙野（全2册）
》
售價：HK$
78.2
《
女人的胜利
》
售價：HK$
55.9
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：HK$
266.6
|
| 編輯推薦： |
|
本书主要内容包括人工智能起源发展，特别是新一代人工智能的驱动因素和关键技术，并介绍通过Python编程语言的学习和数据统计、*化方法等理论学习掌握人工智能的开发工具和方法。进而引出深度学习与神经网络、GPU并行计算与CUDA编程等新一代人工智能的核心技术和方法，对于以往较为忽视的数据采集与数据集制作部分专门做一章节来介绍。*后以TensorFlow为平台，通过各种与实际生产生活联系紧密的热点应用为案例改编为实验，达到提升创新素养和提高技能水平的人才培养目标。
|
| 內容簡介： |
|
本书巧妙地将Python语言与人工智能知识结合在一起进行编排，使读者既能全面学习Python编程语言，又能系统了解人工智能基本原理并深入掌握人工智能特别是新一代人工智能关键技术，同时配有丰富的教学案例和前沿热点应用，每一个知识点都有对应Python语言实现。 全书共分为9章。第1章主要讲解人工智能的发展历史、驱动因素以及关键技术等。第2章为Python编程语言，系统介绍Python的语法规则、数据类型、程序结构及文件操作和图形化编程等。第3章为概率统计基础，是人工智能的理论基础。第4章为*化方法，解释人工智能算法本质问题。第5章深度学习与神经网络是本书的重点章节，该章对当前基于深度学习的多层神经网络，如卷积神经网络、递归循环神经网络、长短期记忆神经网络等进行全面、深入的讲解。第6章TensorFlow深度学习，重点介绍深度学习开源框架TensorFlow的使用方法及如何利用TensorFlow开发和部署各种深度学习模型。第7章数据采集与数据集制作，详细介绍如何通过网络爬虫等方法从互联网上搜集数据并制作成数据集。第8章详细阐述如何利用GPU并行计算设备和CUDA编程来加速人工智能深度学习的模型训练。第9章精心挑选了7个人工智能实验案例，包括数据智能分析、视频图像智能理解、自然语言处理等各个方面，从简到难，可以作本书配套的实验教学内容。 本书可作为人工智能、计算机、电子信息、智能科学与技术、数据科学与大数据、机器人工程等专业的高年级本科生以及研究生的学习用书，也可作为从事人工智能研究与开发的科研人员、工程技术人员及智能应用爱好者的参考书籍。
|
| 關於作者： |
|
杨博雄,博士，武汉大学测绘遥感信息工程国家重点实验室博士后，硕士研究生导师，三亚学院信息与智能工程学院副院长、教授，海南省人工智能学会人工智能教育专业委员会副主任、区块链专业委员会委员。长期从事物联网、云计算、大数据、高性能计算、人工智能等方面的研究与教学工作。主持参与多项国家及省部级科研项目，在国内外学术期刊上发表论文20余篇。获批发明专利5部，软件著作权10部。出版专著2部，教材2部。
|
| 目錄：
|
第1章概述
1．1引言
1．2人工智能的概念与定义
1．3人工智能三大学派
1．3．1符号主义学派
1．3．2连接主义学派
1．3．3行为主义学派
1．4人工智能起源与发展
1．5新一代人工智能的驱动因素
1．5．1数据量爆发性增长
1．5．2计算能力大幅提升
1．5．3深度学习等算法发展
1．5．4移动AI创新应用牵引
1．6人工智能关键技术
1．6．1机器学习与深度学习
1．6．2知识图谱
1．6．3自然语言处理
1．6．4人机交互
1．6．5计算机视觉
1．6．6生物特征识别
1．6．7SLAM技术
1．6．8VRARMR技术
本章小结
课后思考题
第2章Python 编程语言
2．1Python简介
2．1．1Python语言的发展
2．1．2Python开发环境的安装
2．1．3Python运行
2．2Python基本语法与数据类型
2．2．1用程序实现问题求解
2．2．2Python程序语法元素
2．2．3常用函数
2．2．4Python基本数据类型
2．2．5Python组合数据类型
2．3Python程序结构
2．3．1分支结构
2．3．2循环结构
2．3．3循环保留字
2．3．4异常处理
2．4Python函数与模块化编程
2．4．1函数的基本使用
2．4．2参数的传递
2．4．3函数的返回值
2．4．4变量的作用域
2．4．5匿名函数
2．4．6函数应用
2．4．7代码复用与模块化编程
2．5Python面向对象编程
2．5．1类的定义与使用
2．5．2属性和方法
2．5．3继承
2．6Python文件操作与图形化编程
2．6．1文件的基本操作
2．6．2图形化界面tkinter
2．6．3单词练习系统
本章小结
课后思考题
第3章概率统计基础
3．1概率论
3．1．1概率与条件概率
3．1．2随机变量
3．1．3离散随机变量分布Python实验
3．1．4连续随机变量分布Python实验
3．2数理统计基础
3．2．1总体和样本
3．2．2统计量与抽样分布
3．2．3大数定律与中心极限定理
3．3参数估计
3．3．1点估计
3．3．2评价估计量的标准
3．3．3区间估计
本章小结
课后思考题
第4章最优化方法
4．1最优化方法基础
4．1．1最优化问题数学模型
4．1．2最优化问题的分类及应用案例
4．1．3数学基础
4．2凸优化
4．2．1凸集
4．2．2凸函数
4．2．3凸优化概念
4．2．4Python举例
4．3最小二乘法
4．3．1最小二乘法原理
4．3．2Python举例
4．4梯度下降法
4．4．1梯度下降思想
4．4．2梯度下降法算法步骤
4．4．3梯度算法分类
4．4．4Python举例
4．5牛顿法
4．5．1牛顿法的基本原理
4．5．2牛顿法的步骤
4．5．3牛顿法求解无约束优化问题
4．5．4Python举例
4．6共轭梯度法
4．6．1共轭方向
4．6．2共轭梯度法基本原理
4．6．3共轭梯度法迭代步骤
4．6．4Python举例
本章小结
课后思考题
第5章深度学习与神经网络
5．1深度学习
5．1．1深度学习概念
5．1．2深度学习原理
5．1．3深度学习训练
5．2人工神经网络基础
5．2．1神经元感知器
5．2．2神经网络模型
5．2．3学习方式
5．2．4学习规则
5．2．5激活函数
5．2．6梯度下降法
5．2．7交叉熵损失函数
5．2．8过拟合与欠拟合
5．3卷积神经网络
5．3．1卷积神经网络简介
5．3．2卷积神经网络结构
5．3．3卷积神经网络计算
5．3．4典型卷积神经网络
5．4循环神经网络
5．4．1循环神经网络简介
5．4．2循环神经网络结构
5．4．3循环神经网络计算
5．5长短时记忆网络
5．5．1长短时记忆网络简介
5．5．2长短时记忆网络结构
5．5．3长短时记忆网络计算
本章小结
课后思考题
第6章TensorFlow深度学习
6．1引言
6．2TensorFlow技术特点
6．3TensorFlow组件结构
6．4TensorFlow编程基础
6．4．1TensorFlow程序结构
6．4．2TensorFlow编程模型
6．4．3TensorFlow常用API
6．4．4TensorFlow变量作用域
6．4．5TensorFlow批标准化
6．5TensorFlow神经网络模型构建
6．5．1神经元函数及优化方法
6．5．2卷积函数
6．5．3池化函数
6．5．4分类函数
6．5．5优化方法
6．6TensorFlow运行环境安装
6．6．1Python安装
6．6．2pip工具安装
6．6．3Sublime安装
6．7TensorFlow深度学习模型构建
6．7．1生成拟合数据集
6．7．2构建线性回归模型数据流图
6．7．3在Session中运行已构建的数据流图
6．7．4输出拟合的线性回归模型
6．7．5TensorBoard神经网络数据流图可视化
本章小结
课后思考题
第7章数据采集与数据集制作
7．1引言
7．2Python数据采集
7．2．1Web机制和爬虫原理
7．2．2Python第三方库
7．2．3爬虫三大库
7．2．4正则表达式
7．2．5使用API
7．2．6爬虫进阶
7．3训练数据集制作
7．3．1数据存取
7．3．2数据清洗
7．4数据采集与数据集制作示例
本章小结
课后思考题
第8章GPU并行计算与CUDA编程
8．1引言
8．2GPU通用计算
8．2．1冯诺依曼体系架构
8．2．2GPU发展简介
8．2．3早期的GPGPU编程
8．2．4NVIDIA和CUDA
8．3CUDA
8．3．1GPU硬件
8．3．2CPU与GPU
8．3．3GPU的计算能力
8．3．4CUDA软件架构
8．3．5CUDA硬件框架
8．3．6CUDA编程模型
8．3．7深度学习与GPU加速度计算
8．3．8深度学习下CUDA环境搭建
8．4CUDA加速深度学习的案例
8．4．1CUDA在TensorFlow框架里的应用
8．4．2CUDA在PyTorch框架里的应用
本章小结
课后思考题
第9章Python人工智能实验
9．1曲线拟合实验
9．1．1实验内容
9．1．2实验步骤
9．2泰坦尼克号乘客死亡概率预测
9．2．1实验内容
9．2．2实验步骤
9．3股票预测
9．3．1实验内容
9．3．2实验步骤
9．4车牌识别
9．4．1实验内容
9．4．2实验步骤
9．5佩戴口罩识别
9．5．1实验内容
9．5．2实验步骤
9．6自动作诗实验
9．6．1实验内容
9．6．2实验步骤
9．7聊天机器人实验
9．7．1实验内容
9．7．2实验步骤
本章小结
课后思考题
|
| 內容試閱：
|
近年来，人工智能（Artificial Intelligence，AI）终于开始展示其巨大能量了，给人类社会带来了翻天覆地的变化，机器能通过图灵测试似乎变得不那么遥不可及了。过去十年来的技术发展，如更加智能的机器学习算法的突破、可用于训练人工智能系统的大数据技术的出现、GPU设备的广泛应用与计算能力的大幅增强等，大大提升了机器在自然语言处理、图像视频理解、大数据精准营销及个性化推介等领域的智能水平，使得人工智能得以应用于更为广泛、更高智能的领域，出现了城市大脑、自动驾驶、机器翻译、对话机器人等各种高端的智能应用产品与服务。
毋庸置疑，本轮人工智能是一种全新的人工智能，是对我们的生活进行全新变革的人工智能，是对全球各个产业进行重塑的人工智能。之前的人工智能较常应用于制造业或者工厂，主要负责一些比较烦琐的体力劳动等行为工作，但是新一代人工智能却主要体现在提高人类生活质量和社会管理水平上，它借助物联网、云计算、大数据等新技术和移动互联网、智能手机、可穿戴设备等新载体，润物细无声地渗透到现代社会的方方面面，潜移默化地影响甚至改变着当今人类的生产生活与思维方式，重构整个社会生态。
人工智能技术的发展带来了社会的进步和产业的繁荣，同时也带来了AI人才培养的迫切需求。许多高校已经纷纷开始申请设置数据科学与大数据、智能科学与技术、网络与新媒体、区块链工程等与人工智能相关的专业，并成立人工智能学院。中国教育部在2019年已经把人工智能作为一门独立的专业在高校中设立并招生。未来人工智能有望成为一级学科，并与其他学科一起协同发展形成交叉学科，成为第四次工业革命的主力军。
Python被称为人工智能语言，是因为Python具备了强大的AI支持库，同时具有优良的可扩展性和平台可移植性，它能够轻松地把用其他语言制作的各种模块联结在一起，通过Python语言可以很方便快捷地开发和部署各种AI应用。由于Python语言简单、免费，所以初学者很容易自学掌握。本书采用Python语言作为人工智能应用和开发的工具，并专门用一章来详细讲解Python语言，满足没有Python语言基础的读者也能通过本书学好人工智能。
不言而喻，新一代人工智能的进步关键得益于深度学习与神经网络等算法的发展与成熟，而深度学习取得如此显著成绩的背后得益于大数据驱动、GPU算力加速及各种商业领域的创新应用与智慧化、泛在化民生服务。虽然深度学习背后的数学概念几十年前便被提出，但致力于创建和训练这些深度模型的编程库是近年来才出现的。TensorFlow是当前广受欢迎的一个深度学习开源平台，具有灵活性、高效性、良好的可扩展性及可移植性。各种形式和尺寸的计算机，从智能手机到大型计算集群，都可运行TensorFlow。本书以TensorFlow为工具，采用Python语言来搭建深度学习模型和训练平台，让学习内容既具有一定的普适性，又能做一些基础性研究与算法设计，拓展了深度学习的应用空间。
本书由三亚学院杨博雄、于营、肖衡、潘玉霞、高华玲、梁志勇六位老师共同编写，是六位老师多年来对人工智能教学经验的凝练和总结。本书理论紧密联系实际，力求在每一个知识点的理论讲述之后都有具体案例加以体现，同时在实验部分选取当今人工智能的热点应用并改编为教案，让读者一目了然，兴趣盎然。
本书在编写过程中，难免会出现疏漏和差错，欢迎读者批评指正。
作者
2020年10月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
