人工智能：Python实现（影印版 英文版） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

[美] 普拉提克·乔希 著

图书标签:

• 人工智能
• Python
• 机器学习
• 深度学习
• 英文原版
• 影印版
• 计算机科学
• 编程
• 算法
• 数据科学

出版社： 东南大学出版社

ISBN：9787564173586

版次：1

商品编码：12211247

包装：平装

开本：16开

出版时间：2017-10-01

用纸：胶版纸

页数：430

正文语种：英文

内容简介

　　在现代世界中，所有一切都是由技术和数据所驱动。而人工智能与这个世界的关系正在变得愈加紧密。人工智能被广泛应用于多个领域，例如搜索引擎、图像识别、机器人学、金融等。我们会在《人工智能：Python实现（影印版 英文版）》中探索各种现实世界的真实场景，学习各种可以用于构建人工智能应用的算法。
　　《人工智能：Python实现（影印版 英文版）》的阅读过程中，你将学会如何就特定场景下该使用何种算法作出明智的决定。首先我们会介绍人工智能的基本知识，从中学习利用各种数据挖掘技术开发各种构建块的方法。你会看到如何实现不同的算法来得到佳的预期结果，理解如何将其应用于现实场景。如果你想为基于图像、文本、股市或其他形式数据的应用程序添加上智能层，这本激动人心的人工智能书籍绝对能够作为你的指南！

目录

Preface
Chapter 1： Introduction to Artificial Intelligence
What is Artificial Intelligence?
Why do we need to study AI?
Applications of AI
Branches of AI
Defining intelligence using Turing Test
Making machines think like humans
Building rational agents
General Problem Solver
Solving a problem with GPS
Building an intelligent agent
Types of models
Installing Python 3
Installing on Ubuntu
Installing on Mac OS X
Installing on Windows
Installing packages
Loading data
Summary

Chapter 2： Classification and Regression Using Supervised Learning
Supervised versus unsupervised learning
What is classification?
Preprocessing data
Binarization
Mean removal
Scaling
Normalization
Label encoding
Logistic Regression classifier
Naive Bayes classifier
Confusion matrix
Support Vector Machines
Classifying income data using Support Vector Machines
What is Regression?
Building a single variable regressor
Building a multivariable regressor
Estimating housing prices using a Support Vector Regressor
Summary

Chapter 3： Predictive Analytics with Ensemble Learning
What is Ensemble Learning?
Building learning models with Ensemble Learning
What are Decision Trees?
Building a Decision Tree classifier
What are Random Forests and Extremely Random Forests?
Building Random Forest and Extremely Random Forest classifiers
Estimating the confidence measure of the predictions
Dealing with class imbalance
Finding optimal training parameters using grid search
Computing relative feature importance
Predicting traffic using Extremely Random Forest regressor
Summary

Chapter 4： Detecting Patterns with Unsupervised Learning
What is unsupervised learning?
Clustering data with K-Means algorithm
Estimating the number of clusters with Mean Shift algorithm
Estimating the quality of clustering with silhouette scores
What are Gaussian Mixture Models?
Building a classifier based on Gaussian Mixture Models
Finding subgroups in stock market using Affinity Propagation model
Segmenting the market based on shopping patterns
Summary

Chapter 5： Building Recommender Systems
Creating a training pipeline
Extracting the nearest neighbors
Building a K-Nearest Neighbors classifier
Computing similarity scores
Finding similar users using collaborative filtering
Building a movie recommendation system
Summary

Chapter 6： Logic Programming
What is logic programming?
Understanding the building blocks of logic programming
Solving problems using logic programming
Installing Python packages
Matching mathematical expressions
Validating primes
Parsing a family tree
Analyzing geography
Building a puzzle solver
Summary

Chapter 7： Heuristic Search Techniques
What is heuristic search?
Uninformed versus Informed search
Constraint Satisfaction Problems
Local search techniques
Simulated Annealing
Constructing a string using greedy search
Solving a problem with constraints
Solving the region-coloring problem
Building an 8-puzzle solver
Building a maze solver
Summary

Chapter 8： Genetic Algorithms
Understanding evolutionary and genetic algorithms
Fundamental concepts in genetic algorithms
Generating a bit pattern with predefined parameters
Visualizing the evolution
Solving the symbol regression problem
Building an intelligent robot controller
Summary

Chapter 9： Building Games With Artificial Intelligence
Using search algorithms in games
Combinatorial search
Minimax algorithm
Alpha-Beta pruning
Negamax algorithm
Installing easyAI library
Ruildina a bot to olav Last Coin Standina
Building a bot to play Tic-Tac-Toe
Building two bots to play Connect FourTM against each other
Building two bots to play Hexapawn against each other
Summary

Chapter 10： Natural Language Processing
Introduction and installation of packages
Tokenizing text data
Converting words to their base forms using stemming
Converting words to their base forms using lemmatization
Dividing text data into chunks
Extracting the frequency of terms using a Bag of Words model
Building a category predictor
Constructing a gender identifier
Building a sentiment analyzer
Topic modeling using Latent Dirichlet Allocation
Summary

Chapter 11： Probabilistic Reasoning for Sequential Data
Understanding sequential data
Handling time-series data with Pandas
Slicing time-series data
Operating on time-series data
Extracting statistics from time-series data
Generating data using Hidden Markov Models
Identifying alphabet sequences with Conditional Random Fields
Stock market analysis
Summary

Chapter 12： Building A Speech Recognizer
Working with speech signals
Visualizing audio signals
Transforming audio signals to the frequency domain
Generating audio signals
Synthesizing tones to generate music
Extracting speech features
Recognizing spoken words
Summary

Chapter 13： Object Detection and Tracking
Installing OpenCV
Frame differencing
Tracking objects using colorspaces
Object tracking using background subtraction
Building an interactive object tracker using the CAMShift algorithm
Optical flow based tracking
Face detection and tracking
Using Haar cascades for object detection
Using integral images for feature extraction
Eye detection and tracking
Summary

Chapter 14： Artificial Neural Networks
Introduction to artificial neural networks
Building a neural network
Training a neural network
Building a Perceptron based classifier
Constructing a single layer neural network
Constructing a multilayer neural network
Building a vector quantizer
Analyzing sequential data using recurrent neural networks
Visualizing characters i，！ an Optical Character Recognition database
Building an Optical Character Recognition engine
Summary

Chapter 15： Reinforcement Learning
Understanding the premise
Reinforcement learning versus supervised learning
Real world examples of reinforcement learning
Building blocks of reinforcement learning
Creating an environment
Building a learning agent
Summary

Chapter 16： Deep Learning with Convolutional Neural Networks
What are Convolutional Neural Networks?
Architecture of CNNs
Types of layers in a CNN
Building a perceptron-based linear regressor
Building an image classifier using a single layer neural network
Building an image classifier using a Convolutional Neural Network
Summary
Index

《人工智能：Python实现》（影印版 英文版）是一本引人入胜的著作，它将前沿的人工智能概念与强大的Python编程语言相结合，为读者提供了一条深入理解和实践AI技术的清晰路径。本书并非仅仅罗列枯燥的理论，而是通过大量贴近实际的Python代码示例，引导读者亲手构建和实验各种AI模型。 本书的编写风格力求详实而易于理解，它从基础的AI概念入手，逐步深入到更为复杂的机器学习算法、深度学习模型以及自然语言处理等领域。对于初学者而言，它提供了一个坚实的起点，即使没有深厚的数学背景，也能通过代码实践逐步建立起对AI核心原理的认知。对于有一定经验的开发者而言，本书则提供了更多进阶的技巧和前沿的实践方法，能够帮助他们拓展视野，掌握更强大的AI工具和技术。 深度剖析核心AI概念与算法： 本书的核心价值之一在于其对人工智能关键概念的深入剖析。它不仅仅是简单介绍“什么是人工智能”，而是通过结构化的章节安排，详细讲解了诸如监督学习、无监督学习、强化学习等不同的机器学习范式。对于每一种范式，本书都会深入到其背后的核心算法，例如在监督学习部分，读者将接触到线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林等经典算法。本书的独特之处在于，它不仅仅会解释这些算法的数学原理，更重要的是，它会展示如何使用Python中的流行库（如NumPy, SciPy, Scikit-learn）来实现这些算法，并提供详细的代码示例，让读者能够直观地理解算法的运作过程。 例如，在介绍线性回归时，本书不会止步于给出公式，而是会通过一个具体的预测房价的例子，展示如何用Python代码加载数据集、预处理数据、构建线性回归模型、训练模型，并最终评估模型的性能。读者可以跟着代码一步步执行，理解数据如何被输入模型，权重如何被更新，最终得到预测结果。同样，对于支持向量机，本书会详细讲解核函数的作用，以及如何通过不同的核函数来解决非线性可分问题，并提供相应的Python实现。 在无监督学习方面，本书会重点介绍聚类算法（如K-Means, DBSCAN）和降维技术（如主成分分析PCA, t-SNE）。读者将学会如何利用这些技术来发现数据集中的隐藏模式，例如将客户进行分组，或者将高维数据可视化。对于降维技术，本书会深入探讨其在数据预处理和可视化中的重要性，并提供相应的Python代码示例。 强化学习部分，本书会通过经典的“马尔可夫决策过程”（MDP）模型，向读者介绍强化学习的基本框架，包括状态、动作、奖励和策略。然后，读者将学习到Q-learning、SARSA等基础的强化学习算法，并了解如何使用Python来实现一个简单的强化学习代理，例如在玩一个简单的游戏时进行学习。 强大的Python工具链支持： Python作为一种通用且易于上手的编程语言，在人工智能领域占据着主导地位。本书充分利用了Python强大的生态系统，精选了一系列最常用、最有效的AI开发库，并详细展示了它们的使用方法。 NumPy与SciPy: 作为Python科学计算的基础库，NumPy提供了高效的多维数组对象和数学函数，而SciPy则构建在NumPy之上，提供了更广泛的科学计算工具，包括优化、积分、插值、线性代数、信号处理等。本书会在介绍算法原理时，频繁地使用NumPy进行数据表示和计算，展示如何利用其广播机制和矢量化操作来提高代码效率。 Scikit-learn: 这是Python中最受欢迎的机器学习库之一，提供了大量易于使用的机器学习算法，涵盖了分类、回归、聚类、降维、模型选择和预处理等各个方面。本书会将Scikit-learn作为实现各种机器学习算法的首选工具，并详细介绍其API设计，让读者能够快速上手，构建自己的机器学习模型。例如，读者将学会如何使用`sklearn.model_selection`模块进行交叉验证，如何使用`sklearn.preprocessing`模块进行数据标准化和归一化，以及如何使用各种分类器和回归器。 Pandas: 用于数据分析和处理的强大库，提供了DataFrames数据结构，使得数据清洗、转换和分析变得更加直观和高效。本书在数据预处理部分会大量运用Pandas，例如如何加载CSV文件，如何处理缺失值，如何进行数据筛选和聚合。 Matplotlib与Seaborn: 用于数据可视化，能够帮助读者直观地理解数据分布、模型性能和算法过程。本书会利用这些库来绘制损失曲线、精度曲线、散点图、热力图等，让读者能够更好地分析模型和数据。 深入探索深度学习的奥秘： 随着深度学习的崛起，本书也将其作为重点内容进行深入探讨。它会从神经网络的基本结构开始，逐步介绍各种类型的神经网络，包括： 多层感知机（MLP）: 作为最基础的神经网络，本书会详细讲解其前向传播和反向传播算法，并用Python代码实现一个简单的MLP，用于解决分类问题。 卷积神经网络（CNN）: 专门用于图像识别和计算机视觉任务的强大模型。本书会深入讲解卷积层、池化层、全连接层等CNN的核心组件，并展示如何使用Keras或TensorFlow等深度学习框架构建和训练CNN模型，用于图像分类、目标检测等任务。读者将学习到如何处理图像数据，如何构建有效的CNN架构，以及如何进行迁移学习。 循环神经网络（RNN）: 适用于处理序列数据，如文本和时间序列。本书会介绍RNN的基本原理，以及其变种如长短期记忆网络（LSTM）和门控循环单元（GRU），并展示如何使用Python实现RNN模型，用于文本生成、情感分析、机器翻译等任务。 生成对抗网络（GAN）: 能够生成逼真数据的强大模型。本书会介绍GAN的基本原理，包括生成器和判别器的对抗训练过程，并提供相应的Python实现示例，让读者了解如何使用GAN来生成图像或其他类型的数据。 本书在讲解深度学习模型时，会强调实际操作的重要性。它会详细指导读者如何使用TensorFlow或PyTorch等主流深度学习框架来构建、训练和评估这些复杂的模型。读者将学习到如何设置计算图、如何定义损失函数和优化器、如何进行模型调优，以及如何利用GPU加速训练过程。 拓展至自然语言处理（NLP）与计算机视觉（CV）等应用领域： 除了核心的机器学习和深度学习算法，本书还将目光投向了人工智能的实际应用领域，特别是自然语言处理（NLP）和计算机视觉（CV）。 在NLP方面，本书会介绍文本数据的预处理技术，如分词、词干提取、词形还原等，以及常用的文本表示方法，如词袋模型（Bag-of-Words）、TF-IDF、词嵌入（Word Embeddings，如Word2Vec, GloVe）等。读者将学习如何使用NLTK、spaCy等NLP库来处理文本数据，并了解如何利用机器学习和深度学习模型来解决诸如文本分类、情感分析、命名实体识别、机器翻译等问题。 在CV方面，本书会深入讲解图像数据的表示和处理，以及各种用于图像识别、目标检测、图像分割的深度学习模型。读者将学习到如何使用OpenCV等库来加载、处理和增强图像，并掌握如何构建和训练CNN模型来完成各种计算机视觉任务。 实践驱动的学习体验： 贯穿全书的，是对实践的强调。本书认为，学习人工智能的最佳方式就是动手实践。因此，每一章节都配备了精心设计的代码示例，这些示例不仅仅是简单的演示，而是能够让读者直接复制、运行、修改并进行实验。本书鼓励读者不仅要理解代码，更要思考代码背后的逻辑，尝试不同的参数设置，观察结果的变化，从而加深对算法和模型的理解。 此外，本书可能会包含一些小型项目或挑战，让读者能够将所学知识融会贯同，解决更具挑战性的问题。这种“边学边做”的学习模式，能够有效地提升读者的编程能力和解决问题的能力，为他们未来从事AI相关工作打下坚实的基础。 本书的受众定位： 《人工智能：Python实现》（影印版 英文版）适合广泛的读者群体，包括： 计算机科学专业的学生： 为他们提供扎实的人工智能理论基础和实践技能。 软件工程师和数据科学家： 帮助他们掌握最新的AI技术，并将其应用于实际项目中。 对人工智能感兴趣的初学者： 提供一个系统性的学习路径，从基础概念到进阶应用。 研究人员和学者： 为他们提供一种便捷的工具和方法来验证AI算法和模型。 总而言之，《人工智能：Python实现》（影印版 英文版）是一本集理论深度、实践指导和前沿技术于一体的宝贵资源。它通过Python强大的编程能力，为读者打开了通往人工智能世界的大门，使读者能够真正地“看见”AI的运行，“触摸”AI的原理，并最终“创造”出属于自己的AI应用。这本书将是任何希望深入理解和掌握人工智能技术的读者不可或缺的伴侣。

评分☆☆☆☆☆

这本书的封面和“影印版”的字样，立刻勾起了我当年学习技术的“怀旧”情怀，也让我看到了它在专业性和原汁原味上的优势。我一直相信，要深入理解人工智能这样的复杂领域，英文原版书籍是绕不开的。中文的翻译在很多时候为了易懂，可能会牺牲掉一些精确性，尤其是在一些专业术语和算法的细节上。这本影印版，则保证了我能看到作者最原始的表达，理解最纯粹的技术理念。我尤其看重它“Python实现”的标签，因为Python在AI领域的强大生命力，以及其简洁高效的编程风格，是我学习和实践AI的重要工具。我非常期待这本书能够提供详尽的Python代码示例，帮助我理解各种AI算法的内部机制，以及如何用Python有效地构建和部署AI模型。我猜想，这本书的作者一定是一位在AI领域有着深厚造诣的专家，他能够以一种既严谨又易于理解的方式，将复杂的AI概念和技术讲解清楚。我希望这本书能成为我手中不可或缺的工具书，帮助我攻克AI学习中的难关，并在实际工作中运用这些知识。

评分☆☆☆☆☆

这本书的封面设计虽然简洁，却透露出一种沉甸甸的学术气息。我之所以选择这本英文影印版，主要是因为我对人工智能在Python中的实现方式一直抱有浓厚的兴趣。我之前也读过一些中文的AI书籍，但总觉得在理解一些核心概念的时候，总会有些障碍，可能是翻译上的偏差，也可能是文化背景的差异。英文原版，特别是这种影印版的，更能让我直接接触到作者最原始的思想和表达。我设想这本书会从基础的Python数据结构和算法讲起，然后逐步深入到各种机器学习模型，比如支持向量机、决策树、神经网络等等。我非常期待它在具体代码实现上的细节，希望能够看到作者是如何用Python来构建这些模型，如何进行数据预处理、特征工程，以及模型训练和评估的。而且，我猜想这本书可能会包含一些前沿的AI技术，比如深度学习的各种网络结构，以及一些自然语言处理或计算机视觉的应用案例。对我来说，这不仅仅是一本书，更是一次与顶尖AI思想的对话，希望能通过它，打开我学习AI的新视野，获得更深刻的理解和更强大的实践能力。

评分☆☆☆☆☆

这本书的包装真的很有意思，那种影印版的质感，让我一下子回到了当年啃英文原版技术书的时光。拿到手里的时候，就能感受到纸张的厚实和墨水的清晰，虽然是影印，但一点也不影响阅读的舒适度。封面设计也很有辨识度，一看就知道是讲人工智能的，配色和排版都透着一股专业范儿。我迫不及待地翻开目录，看到各种经典的人工智能主题，比如机器学习、深度学习、自然语言处理等等，每一个标题都让我心潮澎湃。我之前也看过一些国内出版的人工智能书籍，但总觉得少了点什么，可能是原汁原味的表达方式，也可能是作者本身就是在这个领域前沿的探索者。这次入手这本英文原版，就是希望能从源头汲取知识，更深入地理解AI的核心概念和最新发展。我尤其期待它在Python实现上的具体代码示例，因为理论知识固然重要，但只有通过实际的代码操作，才能真正掌握和应用这些技术。而且，英文原版在术语的翻译上，往往比国内的译本更准确，也更贴合学术界和工业界的习惯用法，这对于初学者来说，能够建立一个非常扎实的基础。

评分☆☆☆☆☆

这本书就像一个宝藏，等待我去一点一点地挖掘。虽然我是个有一定AI基础的从业者，但每次接触到新的技术或者新的框架，总会有一种“隔靴搔痒”的感觉，总觉得离最核心的东西还有一步之遥。这次选择这本影印英文版，正是冲着它可能会带来的深度和广度。我曾经在网上搜索过一些关于Python实现AI的书籍，但大部分内容都比较浅显，要么是教你如何调用某个库完成一个简单的任务，要么就是对理论概念的堆砌，缺乏系统性和深入的讲解。这本书的英文原版，我希望它能提供一条清晰的学习路径，从基础的算法原理，到复杂的模型构建，再到实际的应用场景，都能够有所覆盖。我特别关注它在Python实现方面的具体细节，比如各种算法的数学推导，以及如何用Python代码高效地实现它们。我猜想，这本书的作者应该是一位在AI领域有着深厚积累的专家，他能用清晰的逻辑和丰富的经验，将复杂的概念娓娓道来。而且，影印版通常意味着内容的严谨和未经大改，这对于我来说，就是质量的保证。我期待着它能成为我职业生涯中的一本重要参考书，帮助我不断提升自己的技术水平。

评分☆☆☆☆☆

当我看到这本书的标题和“影印版 英文版”的标识时，我的内心就涌起了一股强烈的购买欲望。我一直认为，要真正理解一门技术，尤其是像人工智能这样快速发展的领域，最好的方式就是阅读其英文原版。中文的翻译固然方便，但往往会在一些细微之处丢失原文的精髓，或者因为译者个人理解的差异而产生误导。这本书的影印版，保证了我能够接触到最纯粹、最原汁原味的AI知识。我特别看重它“Python实现”这一点，因为Python在人工智能领域的普及程度和易用性，使其成为了学习和实践AI的首选语言。我期待这本书能够带领我深入了解Python在实现各种AI算法和模型方面的具体细节，从数据预处理到模型训练，再到结果的分析和可视化，都能够有详实的讲解和生动的代码示例。我设想这本书的结构会非常清晰，逻辑性很强，能够循序渐进地引导读者掌握AI的核心技术。我希望它能帮助我解决在学习AI过程中遇到的各种困惑，成为我提升AI技能的重要助推器。

评分☆☆☆☆☆

此用户未填写评价内容

评分☆☆☆☆☆

印刷质量非常不错，物美价廉

评分☆☆☆☆☆

印刷质量非常不错，物美价廉

评分☆☆☆☆☆

网上评价还不错 支持一下

评分☆☆☆☆☆

不错的书

评分☆☆☆☆☆

具体操作与应用的，不讲原理，英文版。

评分☆☆☆☆☆

比较好的书 很早之前就想买

评分☆☆☆☆☆

好好学习，天天向上！

评分☆☆☆☆☆

具体操作与应用的，不讲原理，英文版。