第 1章 人工智能：開啟智慧新時(shí)代　1 1.1　人工智能的緣起　1 1.1.1　什么是人工智能　1 1.1.2　人工智能的發(fā)展歷程　2 1.1.3　人工智能的特征及典型應(yīng)用　6 1.2　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)　11 1.2.1　機(jī)器學(xué)習(xí)的含義　11 1.2.2　深度學(xué)習(xí)的崛起　12 1.2.3　神經(jīng)網(wǎng)絡(luò)的魅力　14 1.3　案例——小試牛刀：識(shí)別圖像中的動(dòng)物　15 1.3.1　提出問題　15 1.3.2　解決方案　15 1.3.3　預(yù)備知識(shí)　15 1.3.4　任務(wù)1——準(zhǔn)備一個(gè)動(dòng)物圖像　16 1.3.5　任務(wù)2——智能獲取動(dòng)物信息　16 本章小結(jié)　18 課后習(xí)題　18 第　2章 Python：人工智能開發(fā)語言　20 2.1　初識(shí)Python　20 2.1.1　Python簡(jiǎn)介　20 2.1.2　Python的特點(diǎn)及應(yīng)用領(lǐng)域　21 2.2　Python開發(fā)環(huán)境搭建　22 2.2.1　安裝Python　22 2.2.2　安裝Jupyter Notebook　24 2.2.3　淺嘗Python　25 2.3　Python編程基礎(chǔ)　27 2.3.1　變量　27 2.3.2　分支結(jié)構(gòu)　27 2.3.3　循環(huán)結(jié)構(gòu)　29 2.3.4　組合數(shù)據(jù)類型　31 2.4　NumPy基礎(chǔ)應(yīng)用　33 2.4.1　求解三元一次方程　33 2.4.2　數(shù)組計(jì)算　35 2.4.3　向量化處理　36 2.5　Matplotlib基礎(chǔ)應(yīng)用　38 2.5.1　繪制直方圖　38 2.5.2　繪制散點(diǎn)圖　39 2.6　案例1——求解一元二次方程　41 2.6.1　提出問題　41 2.6.2　解決方案　41 2.6.3　預(yù)備知識(shí)　41 2.6.4　任務(wù)1——從鍵盤輸入方程的系數(shù)　41 2.6.5　任務(wù)2——調(diào)用roots函數(shù)求解方程　42 2.7　案例2——用折線圖解讀第二產(chǎn)業(yè)的GDP發(fā)展趨勢(shì)　42 2.7.1　提出問題　42 2.7.2　解決方案　43 2.7.3　預(yù)備知識(shí)　43 2.7.4　任務(wù)1——讀取GDP數(shù)據(jù)并觀察數(shù)據(jù)結(jié)構(gòu)　43 2.7.5　任務(wù)2——繪制GDP數(shù)據(jù)的折線圖　44 本章小結(jié)　45 課后習(xí)題　45 第3章　線性回歸：預(yù)測(cè)未來趨勢(shì)　47 3.1　認(rèn)識(shí)機(jī)器學(xué)習(xí)　47 3.1.1　機(jī)器如何學(xué)習(xí)　47 3.1.2　機(jī)器學(xué)習(xí)算法　48 3.2　認(rèn)識(shí)線性回歸　50 3.2.1　線性回歸的數(shù)學(xué)表達(dá)式　50 3.2.2　線性回歸的幾個(gè)概念　50 3.2.3　梯度下降法　52 3.3　案例1——預(yù)測(cè)房屋價(jià)格　53 3.3.1　提出問題　53 3.3.2　解決方案　53 3.3.3　預(yù)備知識(shí)　54 3.3.4　任務(wù)1——可視化房屋數(shù)據(jù)　55 3.3.5　任務(wù)2——線性回歸模型的訓(xùn)練　56 3.3.6　任務(wù)3——模型的測(cè)試及評(píng)估　58 3.4　案例2——預(yù)測(cè)投保人醫(yī)療費(fèi)用　60 3.4.1　提出問題　60 3.4.2　解決方案　61 3.4.3　預(yù)備知識(shí)　61 3.4.4　任務(wù)1——加載數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理　63 3.4.5　任務(wù)2——訓(xùn)練和測(cè)試醫(yī)療費(fèi)用預(yù)測(cè)模型　64 3.4.6　任務(wù)3——進(jìn)一步改善模型性能　66 本章小結(jié)　68 課后習(xí)題　69 第4章　分門別類：幫你“分而治之”　70 4.1　分類器　70 4.1.1　什么是分類器　70 4.1.2　分類器如何工作　71 4.2　幾種主要的分類器　71 4.2.1　決策樹　71 4.2.2　貝葉斯分類器　72 4.2.3　k近鄰分類器　73 4.2.4　支持向量機(jī)　74 4.2.5　神經(jīng)網(wǎng)絡(luò)　74 4.3　案例1——手寫數(shù)字識(shí)別　75 4.3.1　提出問題　75 4.3.2　解決方案　75 4.3.3　預(yù)備知識(shí)　75 4.3.4　任務(wù)1——數(shù)字圖像信息轉(zhuǎn)存為TXT文件　78 4.3.5　任務(wù)2——批量生成樣本數(shù)據(jù)　80 4.3.6　任務(wù)3——構(gòu)建KNN模型　81 4.3.7　任務(wù)4——訓(xùn)練KNN模型　81 4.3.8　任務(wù)5——評(píng)估模型效果　82 4.3.9　拓展任務(wù)　84 4.4　案例2——輔助診斷乳腺癌　86 4.4.1　提出問題　86 4.4.2　解決方案　86 4.4.3　預(yù)備知識(shí)　87 4.4.4　任務(wù)1——準(zhǔn)備訓(xùn)練集和測(cè)試集　89 4.4.5　任務(wù)2——構(gòu)建和訓(xùn)練模型　90 4.4.6　任務(wù)3——評(píng)估模型診斷效果　90 4.4.7　拓展任務(wù)　92 本章小結(jié)　93 課后習(xí)題　93 第5章　物以類聚：發(fā)現(xiàn)新簇群　95 5.1　聚類分析　95 5.1.1　何為聚類分析　95 5.1.2　常見聚類方法　96 5.1.3　聚類性能度量　97 5.2　k均值聚類　98 5.2.1　k均值算法流程　98 5.2.2　k均值算法應(yīng)用提示　99 5.3　案例1——探究鳶尾花品種　100 5.3.1　提出問題　100 5.3.2　解決方案　100 5.3.3　預(yù)備知識(shí)　101 5.3.4　任務(wù)1——確定鳶尾花最佳的品種數(shù)k值　103 5.3.5　任務(wù)2——繪制鳶尾花聚類后的結(jié)果散點(diǎn)圖　104 5.4　案例2——電商客戶分類　106 5.4.1　提出問題　106 5.4.2　解決方案　106 5.4.3　預(yù)備知識(shí)　107 5.4.4　任務(wù)1——選擇最佳的客戶群分?jǐn)?shù)目k　109 5.4.5　任務(wù)2——計(jì)算3類客戶的RFM均值　111 5.4.6　任務(wù)3——為3類客戶提出營(yíng)銷建議　113 本章小結(jié)　114 課后習(xí)題　115 第6章　個(gè)性化推薦：主動(dòng)滿足你的需求　117 6.1　認(rèn)識(shí)個(gè)性化推薦　117 6.1.1　個(gè)性化推薦的思路　117 6.1.2　推薦算法分類　119 6.1.3　推薦效果評(píng)估　126 6.2　案例1——推薦你喜愛的電影　128 6.2.1　提出問題　128 6.2.2　解決方案　129 6.2.3　預(yù)備知識(shí)　129 6.2.4　任務(wù)1——合并電影基本信息和評(píng)分記錄　131 6.2.5　任務(wù)2——找到與某個(gè)用戶最相似的n個(gè)用戶　132 6.2.6　任務(wù)3——給某個(gè)用戶推薦前m部電影　134 6.3　案例2——推薦你要一起購(gòu)買的商品　135 6.3.1　提出問題　135 6.3.2　解決方案　135 6.3.3　預(yù)備知識(shí)　136 6.3.4　任務(wù)1——將CSV文件數(shù)據(jù)轉(zhuǎn)換為事務(wù)型數(shù)據(jù)　139 6.3.5　任務(wù)2——找出購(gòu)物清單中頻繁被購(gòu)買的商品　140 6.3.6　任務(wù)3——提取有用的銷售關(guān)聯(lián)規(guī)則　142 本章小結(jié)　143 課后習(xí)題　144 第7章　語音識(shí)別：讓機(jī)器對(duì)你言聽計(jì)從　145 7.1　語音識(shí)別　145 7.1.1　語音識(shí)別簡(jiǎn)史　145 7.1.2　語音識(shí)別過程　146 7.2　深度神經(jīng)網(wǎng)絡(luò)　150 7.2.1　深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ)　150 7.2.2　卷積神經(jīng)網(wǎng)絡(luò)　151 7.3　案例1——利用CNN識(shí)別英文語音數(shù)字　154 7.3.1　提出問題　154 7.3.2　解決方案　154 7.3.3　預(yù)備知識(shí)　155 7.3.4　任務(wù)1——提取音頻文件的語音特征數(shù)據(jù)　160 7.3.5　任務(wù)2——構(gòu)建語音數(shù)字識(shí)別神經(jīng)網(wǎng)絡(luò)模型　162 7.3.6　任務(wù)3——利用訓(xùn)練好的模型來識(shí)別語音　164 7.4　案例2——自制一個(gè)簡(jiǎn)單的實(shí)時(shí)語音識(shí)別系統(tǒng)　165 7.4.1　提出問題　165 7.4.2　解決方案　166 7.4.3　預(yù)備知識(shí)　166 7.4.4　任務(wù)1——準(zhǔn)備音頻文件和標(biāo)簽文件　167 7.4.5　任務(wù)2——利用EasyDL訓(xùn)練實(shí)時(shí)語音識(shí)別模型　168 7.4.6　任務(wù)3——調(diào)用模型進(jìn)行實(shí)時(shí)語音識(shí)別　171 本章小結(jié)　176 課后習(xí)題　176 第8章　人臉識(shí)別：機(jī)器也認(rèn)識(shí)你　178 8.1　人臉識(shí)別基礎(chǔ)　178 8.1.1　人臉識(shí)別技術(shù)發(fā)展簡(jiǎn)史　178 8.1.2　人臉識(shí)別系統(tǒng)　179 8.1.3　人臉識(shí)別關(guān)鍵技術(shù)　181 8.2　認(rèn)識(shí)OpenCV　183 8.2.1　OpenCV的框架結(jié)構(gòu)　183 8.2.2　OpenCV中的人臉分類器　184 8.3　案例1——照片智能搜索　186 8.3.1　提出問題　186 8.3.2　解決方案　186 8.3.3　預(yù)備知識(shí)　187 8.3.4　任務(wù)1——訓(xùn)練人臉識(shí)別模型　191 8.3.5　任務(wù)2——利用訓(xùn)練好的模型來識(shí)別照片　192 8.4　案例2——口罩檢測(cè)賦能衛(wèi)生防護(hù)　193 8.4.1　提出問題　193 8.4.2　解決方案　194 8.4.3　預(yù)備知識(shí)　194 8.4.4　任務(wù)1——加載人臉口罩檢測(cè)與識(shí)別預(yù)訓(xùn)練模型　198 8.4.5　任務(wù)2——檢測(cè)視頻中的人臉是否佩戴口罩　199 本章小結(jié)　200 課后習(xí)題　201 參考文獻(xiàn)　203