滿額折
Python入門到人工智能實戰（簡體書）
商品資訊
相關商品
商品簡介
作者簡介
名人/編輯推薦
目次
書摘/試閱
商品簡介
《Python 入門到人工智能實戰》是針對零基礎編程學習者編寫的教程。從初學者角度出發，每章以問題為導向，輔以大量的實例，詳細地介紹了Python 基礎、機器學習，以及最好也最易學習的兩個平臺PyTorch 和Keras。
全書共20 章，包括Python 安裝配置、Python 語言基礎、流程控制語句、序列、函數、物件、文件及異常處理、數據處理和分析的重要模塊（NumPy、Pandas）、機器學習基礎、機器學習常用調優方法、神經網絡、卷積神經網絡，以及使用PyTorch、Keras 實現多個人工智能實戰案例等。書中所有知識都結合具體實例進行講解，涉及的程序代碼給出了詳細的注釋，使讀者可以輕松領會。
作者簡介
吳茂貴，上海大學運籌學與控制論碩士，在BI、數據挖掘與分析、機器學習等領域有20多年的工作經驗，在Spark機器學習、TensorFlow人工智能以及神經網絡領域有大量的實踐經驗。
名人/編輯推薦
1.找準切入點，使復雜問題簡單化：本書的講解都是從簡單實例開始，然後逐步擴展。
2.圖文並茂，使抽象問題直觀化：用圖說話，一張好圖勝過千言萬語。
3.實例說明，使抽象問題具體化：對Python及各種框架的理解和掌握離不開實戰，本書介紹了很多實例，以及對實例的後續思考等內容。
目次
第1章 Python安裝配置
1.1 問題：Python能帶來哪些優勢
1.2 安裝Python
1.3 配置開發環境
1.4 試運行Python
1.5 後續思考
1.6 小結
第2章 變量和數據類型
2.1 問題：Python是如何定義變量的
2.2 變量
2.3 字符串
2.4 數字與運算符
2.5 數據類型轉換
2.6 注釋
2.7 後續思考
2.8 小結
第3章 列表和元組
3.1 問題：如何存取更多數據
3.2 列表概述
3.3 訪問列表元素的方法
3.4 對列表進行增、刪、改
3.5 統計分析列表
3.6 組織列表
3.7 生成列表
3.8 元組
3.9 後續思考
3.10 小結
第4章 if語句與循環語句
4.1 問題：Python中的控制語句有何特點
4.2 if語句
4.3 循環語句
4.4 後續思考
4.5 小結
第5章 字典和集合
5.1 問題：當索引不好用時怎麼辦
5.2 一個簡單的字典實例
5.3 創建和維護字典
5.4 遍歷字典
5.5 集合
5.6 列表、元組、字典和集合的異同
5.7 迭代器和生成器
5.8 後續思考
5.9 小結
第6章 函數
6.1 問題：如何實現代碼共享
6.2 創建和調用函數
6.3 傳遞參數
6.4 返回值
6.5 傳遞任意數量的參數
6.6 lambda函數
6.7 生成器函數
6.8 把函數放在模塊中
6.9 後續思考
6.10 小結
第7章 面向物件編程
7.1 問題：如何實現不重復造輪子
7.2 類與實例
7.3 繼承
7.4 把類放在模塊中
7.5 標準庫
7.6 包
7.7 實例1:使用類和包
7.8 實例2：銀行ATM機系統
7.9 後續思考
7.10 小結
第8章 文件與異常
8.1 問題：Python如何獲取文件數據
8.2 基本的文件操作
8.3 目錄操作
8.4 異常處理
8.5 後續思考
8.6 小結
第9章 NumPy基礎
9.1 問題：為什麼說NumPy是打開人工智能的一把鑰匙
9.2 生成NumPy數組
9.3 獲取元素
9.4 NumPy的算術運算
9.5 數組變形
9.6 通用函數
9.7 廣播機制
9.8 後續思考
9.9 小結
第10章 Pandas基礎
10.1 問題：Pandas有哪些優勢
10.2 Pandas數據結構
10.3 Series
10.4 DataFrame
10.5 後續思考
10.6 小結
第11章 數據可視化
11.1 問題：為何選擇Matplotlib
11.2 可視化工具Matplotlib
11.3 繪制多個子圖
11.4 Seaborn簡介
11.5 圖像處理與顯示
11.6 Pyecharts簡介
11.7 實例：詞云圖
11.8 後續思考
11.9 小結
第12章 機器學習基礎
12.1 問題：機器學習如何學習
12.2 機器學習常用算法
12.3 機器學習的一般流程
12.4 機器學習常用技巧
12.5 實例1：機器學習是如何學習的
12.6 實例2：用Scikit-Learn實現電信客戶流失預測
12.7 後續思考
12.8 小結
第13章 神經網絡
13.1 問題：神經網絡能代替傳統機器學習嗎
13.2 單層神經網絡
13.3 多層神經網絡
13.4 輸出層
13.5 損失函數
13.6 正向傳播
13.7 誤差反向傳播
13.8 實例：用Python實現手寫數字的識別
13.9 後續思考
13.10 小結
第14章 用PyTorch實現神經網絡
14.1 為何選擇PyTorch
14.2 安裝配置
14.3 Tensor簡介
14.4 autograd機制
14.5 構建神經網絡的常用工具
14.6 數據處理工具
14.7 實例1：用PyTorch實現手寫數字識別
14.8 實例2：用PyTorch解決回歸問題
14.9 小結
第15章 卷積神經網絡
15.1 問題：傳統神經網絡有哪些不足
15.2 卷積神經網絡
15.3 實例：用PyTorch完成圖像識別任務
15.4 後續思考
15.5 小結
第16章 提升模型性能的幾種技巧
16.1 問題：為什麼有些模型嘗試了很多方法仍然效果不佳
16.2 找到合適的學習率
16.3 正則化
16.4 合理的初始化
16.5 選擇合適的優化器
16.6 GPU加速
16.7 後續思考
16.8 小結
第17章 Keras入門
17.1 問題：為何選擇Keras架構
17.2 Keras簡介
17.3 Keras常用概念
17.4 Keras常用層
17.5 神經網絡核心組件
17.6 Keras的開發流程
17.7 實例：Keras程序的開發流程
17.8 後續思考
17.9 小結
第18章 用Keras實現圖像識別
18.1 實例1：用自定義模型識別手寫數字
18.2 實例2：用預訓練模型識別圖像
18.3 後續思考
18.4 小結
第19章 用Keras實現遷移學習
19.1 問題：如何發揮小數據的潛力
19.2 遷移學習簡介
19.3 遷移學習常用方法
19.4 實例：用Keras實現遷移學習
19.5 後續思考
19.6 小結
第20章 用Keras實現風格遷移
20.1 問題：如何捕捉圖像風格
20.2 通道與風格
20.3 內容損失與風格損失
20.4 格拉姆矩陣簡介
20.5 實例：用Kreras實現風格遷移
20.6 後續思考
20.7 小結
1.1 問題：Python能帶來哪些優勢
1.2 安裝Python
1.3 配置開發環境
1.4 試運行Python
1.5 後續思考
1.6 小結
第2章 變量和數據類型
2.1 問題：Python是如何定義變量的
2.2 變量
2.3 字符串
2.4 數字與運算符
2.5 數據類型轉換
2.6 注釋
2.7 後續思考
2.8 小結
第3章 列表和元組
3.1 問題：如何存取更多數據
3.2 列表概述
3.3 訪問列表元素的方法
3.4 對列表進行增、刪、改
3.5 統計分析列表
3.6 組織列表
3.7 生成列表
3.8 元組
3.9 後續思考
3.10 小結
第4章 if語句與循環語句
4.1 問題：Python中的控制語句有何特點
4.2 if語句
4.3 循環語句
4.4 後續思考
4.5 小結
第5章 字典和集合
5.1 問題：當索引不好用時怎麼辦
5.2 一個簡單的字典實例
5.3 創建和維護字典
5.4 遍歷字典
5.5 集合
5.6 列表、元組、字典和集合的異同
5.7 迭代器和生成器
5.8 後續思考
5.9 小結
第6章 函數
6.1 問題：如何實現代碼共享
6.2 創建和調用函數
6.3 傳遞參數
6.4 返回值
6.5 傳遞任意數量的參數
6.6 lambda函數
6.7 生成器函數
6.8 把函數放在模塊中
6.9 後續思考
6.10 小結
第7章 面向物件編程
7.1 問題：如何實現不重復造輪子
7.2 類與實例
7.3 繼承
7.4 把類放在模塊中
7.5 標準庫
7.6 包
7.7 實例1:使用類和包
7.8 實例2：銀行ATM機系統
7.9 後續思考
7.10 小結
第8章 文件與異常
8.1 問題：Python如何獲取文件數據
8.2 基本的文件操作
8.3 目錄操作
8.4 異常處理
8.5 後續思考
8.6 小結
第9章 NumPy基礎
9.1 問題：為什麼說NumPy是打開人工智能的一把鑰匙
9.2 生成NumPy數組
9.3 獲取元素
9.4 NumPy的算術運算
9.5 數組變形
9.6 通用函數
9.7 廣播機制
9.8 後續思考
9.9 小結
第10章 Pandas基礎
10.1 問題：Pandas有哪些優勢
10.2 Pandas數據結構
10.3 Series
10.4 DataFrame
10.5 後續思考
10.6 小結
第11章 數據可視化
11.1 問題：為何選擇Matplotlib
11.2 可視化工具Matplotlib
11.3 繪制多個子圖
11.4 Seaborn簡介
11.5 圖像處理與顯示
11.6 Pyecharts簡介
11.7 實例：詞云圖
11.8 後續思考
11.9 小結
第12章 機器學習基礎
12.1 問題：機器學習如何學習
12.2 機器學習常用算法
12.3 機器學習的一般流程
12.4 機器學習常用技巧
12.5 實例1：機器學習是如何學習的
12.6 實例2：用Scikit-Learn實現電信客戶流失預測
12.7 後續思考
12.8 小結
第13章 神經網絡
13.1 問題：神經網絡能代替傳統機器學習嗎
13.2 單層神經網絡
13.3 多層神經網絡
13.4 輸出層
13.5 損失函數
13.6 正向傳播
13.7 誤差反向傳播
13.8 實例：用Python實現手寫數字的識別
13.9 後續思考
13.10 小結
第14章 用PyTorch實現神經網絡
14.1 為何選擇PyTorch
14.2 安裝配置
14.3 Tensor簡介
14.4 autograd機制
14.5 構建神經網絡的常用工具
14.6 數據處理工具
14.7 實例1：用PyTorch實現手寫數字識別
14.8 實例2：用PyTorch解決回歸問題
14.9 小結
第15章 卷積神經網絡
15.1 問題：傳統神經網絡有哪些不足
15.2 卷積神經網絡
15.3 實例：用PyTorch完成圖像識別任務
15.4 後續思考
15.5 小結
第16章 提升模型性能的幾種技巧
16.1 問題：為什麼有些模型嘗試了很多方法仍然效果不佳
16.2 找到合適的學習率
16.3 正則化
16.4 合理的初始化
16.5 選擇合適的優化器
16.6 GPU加速
16.7 後續思考
16.8 小結
第17章 Keras入門
17.1 問題：為何選擇Keras架構
17.2 Keras簡介
17.3 Keras常用概念
17.4 Keras常用層
17.5 神經網絡核心組件
17.6 Keras的開發流程
17.7 實例：Keras程序的開發流程
17.8 後續思考
17.9 小結
第18章 用Keras實現圖像識別
18.1 實例1：用自定義模型識別手寫數字
18.2 實例2：用預訓練模型識別圖像
18.3 後續思考
18.4 小結
第19章 用Keras實現遷移學習
19.1 問題：如何發揮小數據的潛力
19.2 遷移學習簡介
19.3 遷移學習常用方法
19.4 實例：用Keras實現遷移學習
19.5 後續思考
19.6 小結
第20章 用Keras實現風格遷移
20.1 問題：如何捕捉圖像風格
20.2 通道與風格
20.3 內容損失與風格損失
20.4 格拉姆矩陣簡介
20.5 實例：用Kreras實現風格遷移
20.6 後續思考
20.7 小結
書摘/試閱
在回答這個問題之前，先看看未來的發展大勢是什麼？答案是大數據和人工智能。而Python作為人工智能的首選語言，與時俱進就是它的最大優勢。開發語言有很多，比Python 發展歷史長的也有很多，為何Python 能在大數據、人工智能方面獨占鰲頭？我們認為主要有以下原因。
（1）簡單易學。Python 是一種解釋性動態語言，易於學習，可讀性強，使用簡單，調試方便。
（2）簡單高效。Python 對數據的處理有著得天獨厚的優勢, 尤其是NumPy 模塊，在數據處理方面簡單高效，是Python 數據處理和分析的基石與靈魂。
（3）生態完備。Python 的生態非常完備，目前已廣泛應用於人工智能、云計算開發、大數據開發、數據分析、科學運算、網站開發、爬蟲、自動化運維、自動化測試、遊戲開發等領域，而且在成千上萬的無私奉獻者的努力下，其應用領域還在不斷擴展。
（1）簡單易學。Python 是一種解釋性動態語言，易於學習，可讀性強，使用簡單，調試方便。
（2）簡單高效。Python 對數據的處理有著得天獨厚的優勢, 尤其是NumPy 模塊，在數據處理方面簡單高效，是Python 數據處理和分析的基石與靈魂。
（3）生態完備。Python 的生態非常完備，目前已廣泛應用於人工智能、云計算開發、大數據開發、數據分析、科學運算、網站開發、爬蟲、自動化運維、自動化測試、遊戲開發等領域，而且在成千上萬的無私奉獻者的努力下，其應用領域還在不斷擴展。
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。