第 1章 人工智能：開啟智慧新時代　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用　6 1.2　機器學習與深度學習　11 1.2.1　機器學習的含義　11 1.2.2　深度學習的崛起　12 1.2.3　神經網絡的魅力　14 1.3　案例——小試牛刀：識別圖像中的動物　15 1.3.1　提出問題　15 1.3.2　解決方案　15 1.3.3　預備知識　15 1.3.4　任務1——準備一個動物圖像　16 1.3.5　任務2——智能獲取動物信息　16 本章小結　18 課后習題　18 第　2章 Python：人工智能開發(fā)語言　20 2.1　初識Python　20 2.1.1　Python簡介　20 2.1.2　Python的特點及應用領域　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　27 2.3.1　變量　27 2.3.2　分支結構　27 2.3.3　循環(huán)結構　29 2.3.4　組合數據類型　31 2.4　NumPy基礎應用　33 2.4.1　求解三元一次方程　33 2.4.2　數組計算　35 2.4.3　向量化處理　36 2.5　Matplotlib基礎應用　38 2.5.1　繪制直方圖　38 2.5.2　繪制散點圖　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　預備知識　41 2.6.4　任務1——從鍵盤輸入方程的系數　41 2.6.5　任務2——調用roots函數求解方程　42 2.7　案例2——用折線圖解讀第二產業(yè)的GDP發(fā)展趨勢　42 2.7.1　提出問題　42 2.7.2　解決方案　43 2.7.3　預備知識　43 2.7.4　任務1——讀取GDP數據并觀察數據結構　43 2.7.5　任務2——繪制GDP數據的折線圖　44 本章小結　45 課后習題　45 第3章　線性回歸：預測未來趨勢　47 3.1　認識機器學習　47 3.1.1　機器如何學習　47 3.1.2　機器學習算法　48 3.2　認識線性回歸　50 3.2.1　線性回歸的數學表達式　50 3.2.2　線性回歸的幾個概念　50 3.2.3　梯度下降法　52 3.3　案例1——預測房屋價格　53 3.3.1　提出問題　53 3.3.2　解決方案　53 3.3.3　預備知識　54 3.3.4　任務1——可視化房屋數據　55 3.3.5　任務2——線性回歸模型的訓練　56 3.3.6　任務3——模型的測試及評估　58 3.4　案例2——預測投保人醫(yī)療費用　60 3.4.1　提出問題　60 3.4.2　解決方案　61 3.4.3　預備知識　61 3.4.4　任務1——加載數據并進行數據預處理　63 3.4.5　任務2——訓練和測試醫(yī)療費用預測模型　64 3.4.6　任務3——進一步改善模型性能　66 本章小結　68 課后習題　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　74 4.2.5　神經網絡　74 4.3　案例1——手寫數字識別　75 4.3.1　提出問題　75 4.3.2　解決方案　75 4.3.3　預備知識　75 4.3.4　任務1——數字圖像信息轉存為TXT文件　78 4.3.5　任務2——批量生成樣本數據　80 4.3.6　任務3——構建KNN模型　81 4.3.7　任務4——訓練KNN模型　81 4.3.8　任務5——評估模型效果　82 4.3.9　拓展任務　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　預備知識　87 4.4.4　任務1——準備訓練集和測試集　89 4.4.5　任務2——構建和訓練模型　90 4.4.6　任務3——評估模型診斷效果　90 4.4.7　拓展任務　92 本章小結　93 課后習題　93 第5章　物以類聚：發(fā)現新簇群　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　預備知識　101 5.3.4　任務1——確定鳶尾花最佳的品種數k值　103 5.3.5　任務2——繪制鳶尾花聚類后的結果散點圖　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　預備知識　107 5.4.4　任務1——選擇最佳的客戶群分數目k　109 5.4.5　任務2——計算3類客戶的RFM均值　111 5.4.6　任務3——為3類客戶提出營銷建議　113 本章小結　114 課后習題　115 第6章　個性化推薦：主動滿足你的需求　117 6.1　認識個性化推薦　117 6.1.1　個性化推薦的思路　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　預備知識　129 6.2.4　任務1——合并電影基本信息和評分記錄　131 6.2.5　任務2——找到與某個用戶最相似的n個用戶　132 6.2.6　任務3——給某個用戶推薦前m部電影　134 6.3　案例2——推薦你要一起購買的商品　135 6.3.1　提出問題　135 6.3.2　解決方案　135 6.3.3　預備知識　136 6.3.4　任務1——將CSV文件數據轉換為事務型數據　139 6.3.5　任務2——找出購物清單中頻繁被購買的商品　140 6.3.6　任務3——提取有用的銷售關聯(lián)規(guī)則　142 本章小結　143 課后習題　144 第7章　語音識別：讓機器對你言聽計從　145 7.1　語音識別　145 7.1.1　語音識別簡史　145 7.1.2　語音識別過程　146 7.2　深度神經網絡　150 7.2.1　深度神經網絡基礎　150 7.2.2　卷積神經網絡　151 7.3　案例1——利用CNN識別英文語音數字　154 7.3.1　提出問題　154 7.3.2　解決方案　154 7.3.3　預備知識　155 7.3.4　任務1——提取音頻文件的語音特征數據　160 7.3.5　任務2——構建語音數字識別神經網絡模型　162 7.3.6　任務3——利用訓練好的模型來識別語音　164 7.4　案例2——自制一個簡單的實時語音識別系統(tǒng)　165 7.4.1　提出問題　165 7.4.2　解決方案　166 7.4.3　預備知識　166 7.4.4　任務1——準備音頻文件和標簽文件　167 7.4.5　任務2——利用EasyDL訓練實時語音識別模型　168 7.4.6　任務3——調用模型進行實時語音識別　171 本章小結　176 課后習題　176 第8章　人臉識別：機器也認識你　178 8.1　人臉識別基礎　178 8.1.1　人臉識別技術發(fā)展簡史　178 8.1.2　人臉識別系統(tǒng)　179 8.1.3　人臉識別關鍵技術　181 8.2　認識OpenCV　183 8.2.1　OpenCV的框架結構　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　預備知識　187 8.3.4　任務1——訓練人臉識別模型　191 8.3.5　任務2——利用訓練好的模型來識別照片　192 8.4　案例2——口罩檢測賦能衛(wèi)生防護　193 8.4.1　提出問題　193 8.4.2　解決方案　194 8.4.3　預備知識　194 8.4.4　任務1——加載人臉口罩檢測與識別預訓練模型　198 8.4.5　任務2——檢測視頻中的人臉是否佩戴口罩　199 本章小結　200 課后習題　201 參考文獻　203