人工智能原理与实践 基于Python语言和TensorFlowPDF|Epub|txt|kindle电子书版本网盘下载

人工智能原理与实践 基于Python语言和TensorFlowPDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

基础篇1

第1章 绪论1

1.1 人工智能简介1

1.1.1 人工智能的概念1

1.1.2 现代人工智能的兴起5

1.1.3 人工智能的学术流派5

1.2 人工智能的发展历史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 发展期（1970年之后）11

1.3 人工智能技术的研究内容与应用领域13

1.3.1 神经网络14

1.3.2 机器学习15

1.3.3 模式识别15

1.3.4 自然语言理解16

1.3.5 专家系统17

1.3.6 博弈17

1.3.7 智能控制18

1.3.8 其他18

1.4 人工智能与TensorFlow18

1.4.1 机器学习与深度学习18

1.4.2 TensorFlow概念20

1.4.3 TensorFlow的应用23

第2章 Python基础应用25

2.1 引言25

2.2 Python的安装25

2.3 数据类型与数据结构29

2.4 数字29

2.5 变量及其命名规则29

2.6 语句和表达式30

2.7 字符串31

2.8 容器32

2.8.1 列表32

2.8.2 元组35

2.8.3 字典35

2.8.4 复制36

2.9 函数38

2.9.1 常用内置函数及高阶函数38

2.9.2 用户自定义函数42

2.10 常用库43

2.10.1 时间库43

2.10.2 科学计算库（NumPy）47

2.10.3 可视化绘图库（Matplotlib）54

2.10.4 锁与线程58

2.10.5 多线程编程59

第3.TensorFlow基础62

3.1 TensorFlow的架构62

3.2 TensorFlow的开发环境搭建66

3.3 数据流图简介77

3.3.1 数据流图基础77

3.3.2 节点的依赖关系80

3.4 TensorFlow中定义数据流图83

3.4.1 构建一个TensorFlow数据流图83

3.4.2 张量思维87

3.4.3 张量的形状90

3.4.4 TensorFlow的Op91

3.4.5 TensorFlow的Graph对象93

3.4.6 TensorFlow的Session94

3.4.7 输入与占位符97

3.4.8 Variable对象98

3.5 通过名称作用域组织数据流图100

3.6 构建数据流图105

3.7 运行数据流图108

第4章 TensorFlow运作方式114

4.1 数据的准备和下载114

4.2 图表构建与推理115

4.2.1 图表构建115

4.2.2 推理116

4.3 损失与训练117

4.3.1 损失117

4.3.2 训练117

4.4 状态检查与可视化118

4.4.1 状态检查118

4.4.2 状态可视化119

4.5 评估模型120

4.6 评估图表的构建与输出123

4.6.1 评估图表的构建123

4.6.2 评估图表的输出123

实战篇125

第5章 MNIST机器学习125

5.1 MNIST数据集简介125

5.2 MNIST数据下载127

5.2.1 数据的准备129

5.2.2 数据重构130

5.2.3 数据集对象130

5.3 softmax回归模型简介131

5.4 模型的训练与评估132

5.5 TensorFlow模型基本步骤135

5.6 构建softmax回归模型135

第6章 卷积神经网络138

6.1 卷积神经网络138

6.2 卷积神经网络的模型架构142

6.2.1 ImageNet-2010网络结构142

6.2.2 DeepID网络结构143

6.3 卷积运算144

6.3.1 输入和卷积核145

6.3.2 降维145

6.3.3 填充145

6.3.4 数据格式145

6.4 卷积常见层146

6.4.1 卷积层146

6.4.2 池化层149

6.4.3 归一化150

6.4.4 高级层151

6.5 TensorFlow和图像152

6.5.1 图像加载152

6.5.2 图像格式152

6.5.3 图像操作152

6.5.4 颜色空间变换153

6.6 模型训练153

6.7 模型评估154

6.8 多GPU的模型训练154

第7章 字词的向量表示155

7.1 WordEmbedding的基本概念和知识156

7.2 Skip-Gram模型158

7.2.1 数据集的准备160

7.2.2 模型结构161

7.2.3 处理噪声对比162

7.2.4 模型训练163

7.3 嵌套学习可视化与评估164

7.4 优化实现166

第8章 递归神经网络168

8.1 递归神经网络的架构169

8.2 PTB数据170

8.3 模型及LSTM170

8.3.1 LSTM的概念172

8.3.2 LSTM的结构173

8.3.3 LSTM的控制门173

8.4 反向传播的截断175

8.5 输入与损失函数175

8.6 多个LSTM层堆叠175

8.7 代码的编译与运行176

第9章 Mandelbrot集合177

9.1 库的导入178

9.2 会话和变量初始化179

9.3 定义并运行计算179

第10章 偏微分方程模拟仿真180

10.1 计算函数的定义180

10.2 偏微分方程的定义182

10.3 仿真183

第11章 人脸识别185

11.1 人脸识别概念185

11.2 人脸识别的流程188

11.2.1 人脸图像的采集188

11.2.2 人脸图像的检测189

11.2.3 人脸图像的预处理189

11.2.4 人脸图像的特征提取189

11.2.5 人脸图像的匹配与识别190

11.2.6 活体鉴别190

11.3 人脸识别种类190

11.3.1 人脸检测190

11.3.2 人脸关键点检测191

11.3.3 人脸验证194

11.4 人脸检测194

11.4.1 LFW数据集194

11.4.2 数据预处理与检测195

11.5 性别和年龄识别196

11.5.1 数据预处理198

11.5.2 模型构建198

11.5.3 模型训练203

11.5.4 模型验证204