[正版]全10册Ai人工智能技术丛书从入门到实战python人工智能教程书籍深度学习神经网络编程chatgpt自然语言

        店铺公告

  为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。

温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货）。

  关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

 

 

深度学习大全 大促价： ￥358.00 价格 ￥475.60 折扣 7.53折 节省 ￥117.6 活动倒计时: 06 天 23 : 58 :

[人工智能技术]热门精品推荐   ￥69.00     ￥85.00     ￥59.00         ￥168.00     ￥69.00     ￥128.00         ￥56.50     ￥89.00     ￥119.00

【套装10本】人工智能技术丛书从入门到实战 基于python语言
	总定价	993.80
	出版社	人民邮电出版社 清华大学出版社 中国水利水电出版社
	版次	1，3
	店铺上架时间	2019年10月
	开本	16，20
	作者	[美]IanGoodfellow 等
	装帧	平装
	册数	10
	字数	暂无
	套装编码	9787115461476

序号	书号	书名	定价	出版社
1	9787115504968	Python 3破冰人工智能 从入门到实战	59	人民邮电出版社
2	9787115509352	Python 快速入门 第3版	89	人民邮电出版社
3	9787115474810	Python神经网络编程	69	人民邮电出版社
4	9787115503343	Python和NLTK自然语言处理	138	人民邮电出版社
5	9787115475893	Python数据科学 册	109	人民邮电出版社
6	9787115241009	数据挖掘导论(完整版)	69	人民邮电出版社
7	9787302423287	机器学习	108	清华大学出版社
8	9787115490841	动 学深度学习	85	人民邮电出版社
9	9787115461476	深度学习	168	人民邮电出版社
10	9787517068228	TensorFlow深度学习算法原理与编程实践	99.8	中国水利水电出版社

            

 

1.《深度学习》

《深度学习》由 的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写，是深度学习领域奠基性的经典教材。全书的内容包括3个部分：dy 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2部分系统深入地讲解现今已成熟的深度学习方法和技术；第3部分讨论某些具有前瞻性的方向和想法，它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读，包括相关专业的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师。实时的页面更新，可以让老师、学生看：http://discoverml.github.io/simplified-deeplearning/

2.《TensorFlow深度学习算法原理与编程实践》

TensorFlow是谷歌研发的人工智能学习*统，是一个用于数值计算的开源软件库。《TensorFlow深度学习算法原理与编程实战》以基础+实践相结合的形式，详细介绍了TensorFlow深度学习算法原理及编程技巧。通读全书，读者不仅可以系统了解深度学习的相关知识，还能对使用TensorFlow进行深度学习算法设计的过程有更深入的理解。《TensorFlow深度学习算法原理与编程实战》共14章，主要内容有：人工智能、大数据、机器学习和深度学习概述；深度学习及TensorFlow框架的相关背景；TensorFlow的安装；TensorFlow编程策略；深度前馈神经网络；优化网络的方法；全连神经网络的经典实践；卷积神经网络的基础知识；经典卷积神经网络的TensorFlow实现；循环神经网络及其应用；深度强化学习概述；TensorFlow读取数据的API；TensorFlow持久化模型的API；可视化工具TensorBoard的使用；TensorFlow使用多GPU或并行的方式加速计算等。《TensorFlow深度学习算法原理与编程实战》内容通俗易懂，案例丰富，实用性强，特别适合对人工智能、深度学习感兴趣的的相关从业人员阅读，也适合没有相关基础但是对该方面研究充满兴趣的爱好者阅读。

3.《动 学深度学习》

本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理，还演示它们的实现和运行。与传统图书不同，本书的每一节都是一个可以 并运行的 Jupyter记事本，它将文字、公式、图像、代码和运行结果结合在了一起。此外，读者还可以访问并参与书中内容的讨论。 全书的内容分为3个部分：dy部分介绍深度学习的背景，提供预备知识，并包括深度学习 基础的概念和技术；第二部分描述深度学习计算的重要组成部分，还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络；第三部分评价优化算法，检验影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。

4.《Python 快速入门 第3版》

这是一本Python快速入门书，基于Python 3.6编写。本书分为4部分，dy 部分讲解Python的基础知识，对Python进行概要的介绍；第二部分介绍Python编程的重点，涉及列表、元组、集合、字符串、字典、流程控制、函数、模块和作用域、文件系统、异常等内容；第三部分阐释Python的特性，涉及类和面向对象、正则表达式、数据类型即对象、包、Python库等内容；第四部分关注数据处理，涉及数据文件的处理、网络数据、数据的保存和数据探索， 后给出了相关的案例。 本书框架结构清晰，内容编排合理，讲解循序渐进，并结合大量示例和习题，让读者可以快速学习和掌握Python，既适合Python初学者学习，也适合作为专业程序员的简明Python参考书。

5.《Python 3破冰人工智能 从入门到实战》

本书创新性地从数学建模竞赛入 ，深入浅出地讲解了人工智能领域的相关知识。本书内容基于Python 3.6，从人工智能领域的数学出发，到Python在人工智能场景下的关键模块；从网络爬虫到数据存储，再到数据分析；从机器学习到深度学习，涉及自然语言处理、机器学习、深度学习、推荐系统和知识图谱等。 此外，本书还提供了近140个代码案例和大量图表，全面系统地阐述了算法特性，个别案例算法来自于工作经验总结，力求帮助读者学以致用。

6.《Python数据科学 册》

《Python数据科学 册》是对以数据深度需求为中心的科学、研究以及针对计算和统计方法的参考书。本书共五章，每章介绍一到两个Python数据科学中的重点工具包。首先从IPython和Jupyter开始，它们提供了数据科学家需要的计算环境；第 2章讲解能提供ndarray对象的NumPy，它可以用Python高效地存储和 作大型数组；第3章主要涉及提供DataFrame对象的Pandas，它可以用Python高效地存储和 作带标签的/列式数据；第4章的主角是Matplotlib，它为Python提供了许多数据可视化功能；第5章以Scikit-Learn为主，这个程序库为重要的机器学习算法提供了高效整洁的Python版实现。

7.《Python神经网络编程》

当前，深度学习和人工智能的发展和应用给人们留下了深刻的印象。神经网络是深度学习和人工智能的关键元素，然而，真正了解神经网络工作机制的人少之又少。本书用轻松的笔触，一步一步揭示了神经网络的数学思想，并介绍如何使用Python编程语言开发神经网络。 本书将带领您进行一场妙趣横生却又有条不紊的旅行——从一个非常简单的想法开始，逐步理解神经网络的工作机制。您无需任何超出中学范围的数学知识，并且本书还给出易于理解的微积分简介。本书的目标是让尽可能多的普通读者理解神经网络。读者将学习使用Python开发自己的神经网络，训练它识别 写数字，甚至可以与专业的神经网络本书适合想要了解深度学习、人工智能和神经网络的读者阅读，尤其适合想要通过Python编程进行神经网络开发的读者参考。

8.《数据挖掘导论(完整版)》

《数据挖掘导论（完整版）》全面介绍了数据挖掘的理论和方法，旨在为读者提供将数据挖掘应用于实际问题所 需的知识。《数据挖掘导论（完整版）》涵

盖五个主题：数据、分类、关联分析、聚类和异常检测。除异常检测外，每个主题都包含两章：前面一章讲述基本概念、代表性算法和评估技术，后面一章较

深入地讨论高级概念和算法。目的是使读者在透彻地理解数据挖掘基础的同时，还能了解更多重要的高级主题。此外，书中还提供了大量示例、图表和习题。《数据挖掘导论（完整版）》适合作为相关专业高年级本科生和研究生数据挖掘课程的教材，同时也可作为数据挖掘研究和应用开发人员的参考书。

9.《Python和NLTK自然语言处理》

NLTK是自然语言处理领域中非常受欢迎和广泛使用的Python库。NLTK的优点在于其简单性，其中大多数复杂的自然语言处理任务使用几行代码即可完成。本书旨在讲述如何用Python和NLTK解决各种自然语言处理任务并开发机器学习方面的应用。本书介绍了NLTK的基本模块，讲述了采用NLTK实现自然语言处理的大量技巧，讨论了一些文本处理方法和语言处理技术，展示了使用Python实现NLP项目的大量实践经验。本书主要内容包括文本挖掘/NLP任务中所需的所有预处理步骤，如何使用Python 3的NLTK 3进行文本处理，如何通过Python开展NLP项目。 本书适合NLP和机器学习领域的爱好者、Python程序员以及机器学习领域的研究人员阅读。

10.《机器学习》

内容全面；结构合理；叙述清楚；深入浅出。人工智能领域中文的开山之作！相关图书推荐：机器智能 人工智能领域的创新之作，三大主流方法的和谐统一！当今各种人工智能学说的集成创新。人工智能：一种现代的方法（第3版 影印版） A Must Read for AI,人工智能：一种现代的方法（第3版）（翻译版） A Must Read for AI,机器崛起前传——自我意识与人类智慧的开端,机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面. 全书共16 章，大致分为3 个部分：dy 部分（dy ～3 章）介绍机器学习的基础知识；第2 部分（第4～10 章）讨论一些经典而常用的机器学习方法（决策树、神经网络、支持向量机、贝叶斯分类器、集成学习、聚类、降维与度量学习）；第3 部分（dy 1～16 章）为进阶知识，内容涉及特征选择与稀疏学习、计算学习理论、半监督学习、概率图模型、规则学习以及强化学习等. 每章都附有习题并介绍了相关阅读材料，以便有兴趣的读者进一步钻研探索。本书可作为高等院校计算机、自动化及相关专业的本科生或研究生教材，也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

1.《深度学习》

dy 章

本书面向的读者

深度学习的历史趋势

神经网络的众多名称和命运变迁

与日俱增的数据量

与日俱增的模型规模

与日俱增的精度、复杂度和对现实世界的冲击

第部分应用数学与机器学习基础

第2章线性代数

标量、向量、矩阵和张量

矩阵和向量相乘

单位矩阵和逆矩阵

线性相关和生成子空间

范数

特殊类型的矩阵和向量

特征分解

奇异值分解

Moore-Penrose伪逆

迹运算

行列式

实例：主成分分析

第3章概率与信息论

为什么要使用概率

随机变量

概率分布

离散型变量和概率质量函数

连续型变量和概率密度函数

边缘概率

条件概率

条件概率的链式法则

独立性和条件独立性

期望、方差和协方差

常用概率分布

Ber ulli分布

Multi ulli分布

高斯分布

指数分布和Laplace分布

Dirac分布和经验分布

分布的混合

常用函数的有用性质

贝叶斯规则

连续型变量的技术细节

信息论

结构化概率模型

第4章数值计算

上溢和下溢

病态条件

基于梯度的优化方法

梯度之上：Jacobian和Hessian矩阵

约束优化

实例：线性 小二乘

第5章机器学习基础

学习算法

任务T

性能度量P

经验E

示例：线性回归

容量、过拟合和欠拟合

没有免费午餐定理

正则化

超参数和验证集

交叉验证

估计、偏差和方差

点估计

偏差

方差和标准差

权衡偏差和方差以 小化均方误差

一致性

似然估计

条件对数似然和均方误差

似然的性质

贝叶斯统计

后验(MAP)估计

监督学习算法

概率监督学习

支持向量机

其他简单的监督学习算法

无监督学习算法

主成分分析

k-均值聚类

随机梯度下降

构建机器学习算法

促使深度学习发展的挑战

维数灾难

局部不变性和平滑正则化

流形学习

第部分深度网络：现代实践

第6章深度前馈网络

实例：学习XOR

基于梯度的学习

代价函数

输出单元

隐藏单元

整流线性单元及其扩展

logisticsigmoid与双曲正切函数

其他隐藏单元

架构设计

近似性质和深度

其他架构上的考虑

反向传播和其他的微分算法

计算图

微积分中的链式法则

递归地使用链式法则来实现反向传播

全连接MLP中的反向传播计算

符号到符号的导数

一般化的反向传播

实例：用于MLP训练的反向传播

复杂化

深度学习界以外的微分

高阶微分

历史小记

第7章深度学习中的正则化

参数范数惩罚

L参数正则化

L正则化

作为约束的范数惩罚

正则化和欠约束问题

数据集增强

噪声鲁棒性

向输出目标注入噪声

半监督学习

多任务学习

提前终止

参数绑定和参数共享

卷积神经网络

稀疏表示

Bagging和其他集成方法

Dropout

对抗训练

切面距离、正切传播和流形正切分类器

第8章深度模型中的优化

学习和纯优化有什么不同

经验风险 小化

代理损失函数和提前终止

批量算法和小批量算法

神经网络优化中的挑战

病态

局部极小值

高原、鞍点和其他平坦区域

悬崖和梯度爆炸

长期依赖

非 梯度

局部和全局结构间的弱对应

优化的理论限制

基本算法

随机梯度下降

动量

Nesterov动量

参数初始化策略

自适应学习率算法

AdaGrad

RMSProp

Adam

选择正确的优化算法

二阶近似方法

牛顿法

共轭梯度

BFGS

优化策略和元算法

批标准化

坐标下降

Polyak平均

监督预训练

设计有助于优化的模型

延拓法和课程学习

第9章卷积网络

卷积运算

动机

池化

卷积与池化作为一种无限强的先验

基本卷积函数的变体

结构化输出

数据类型

高效的卷积算法

随机或无监督的特征

卷积网络的神经科学基础

卷积网络与深度学习的历史

dy 0章序列建模：循环和递归网络

展开计算图

循环神经网络

导师驱动过程和输出循环网络

计算循环神经网络的梯度

作为有向图模型的循环网络

基于上下文的RNN序列建模

双向RNN

基于编码-解码的序列到序列架构

深度循环网络

递归神经网络

长期依赖的挑战

回声状态网络

渗漏单元和其他多时间尺度的策略

时间维度的跳跃连接

渗漏单元和一系列不同时间尺度

删除连接

长短期记忆和其他门控RNN

LSTM

其他门控RNN

优化长期依赖

截断梯度

引导信息流的正则化

外显记忆

dy 1章实践方

性能度量

默认的基准模型

决定是否收集更多数据

选择超参数

动调整超参数

自动超参数优化算法

网格搜索

随机搜索

基于模型的超参数优化

调试策略

示例：多位数字识别

dy 2章应用

大规模深度学习

快速的CPU实现

GPU实现

大规模的分布式实现

模型压缩

动态结构

深度网络的专用硬件实现

计算机视觉

预处理

数据集增强

语音识别

自然语言处理

n-gram

神经语言模型

高维输出

结合n-gram和神经语言模型

神经机器翻译

历史展望

其他应用

推荐系统

知识表示、推理和回答

第部分深度学习研究

第章线性因子模型

概率PCA和因子分析

独立成分分析

慢特征分析

稀疏编码

PCA的流形解释

dy 6章自编码器

欠完备自编码器

正则自编码器

稀疏自编码器

去噪自编码器

惩罚导数作为正则

表示能力、层的大小和深度

随机编码器和解码器

去噪自编码器详解

得分估计

历史展望

使用自编码器学习流形

收缩自编码器

预测稀疏分解

自编码器的应用

dy 7章表示学习

贪心逐层无监督预训练

何时以及为何无监督预训练有效有效

迁移学习和领域自适应

半监督解释因果关系

分布式表示

得益于深度的指数增益

提供发现潜在原因的线索

dy 3章深度学习中的结构化概率模型

非结构化建模的挑战

使用图描述模型结构

有向模型

无向模型

配分函数

基于能量的模型

分离和d-分离

在有向模型和无向模型中转换

因子图

从图模型中采样

结构化建模的优势

学习依赖关系

推断和近似推断

结构化概率模型的深度学习方法

实例：受限玻尔兹曼机

dy 8章蒙特卡罗方法

采样和蒙特卡罗方法

为什么需要采样

蒙特卡罗采样的基础

重要采样

马尔可夫链蒙特卡罗方法

Gibbs采样

不同的峰值之间的混合挑战

不同峰值之间通过回火来混合

深度也许会有助于混合

dy 4章直面配分函数

对数似然梯度

随机 似然和对比散度

伪似然

得分匹配和比率匹配

去噪得分匹配

噪声对比估计

估计配分函数

退火重要采样

桥式采样

dy 8章近似推断

把推断视作优化问题

期望 化

后验推断和稀疏编码

变分推断和变分学习

离散型潜变量

变分法

连续型潜变量

学习和推断之间的相互作用

学成近似推断

醒眠算法

学成推断的其他形式

dy 5章深度生成模型

玻尔兹曼机

受限玻尔兹曼机

条件分布

训练受限玻尔兹曼机

深度信念网络

深度玻尔兹曼机

有趣的性质

DBM均匀场推断

DBM的参数学习

逐层预训练

联合训练深度玻尔兹曼机

实值数据上的玻尔兹曼机

Gaussian-Ber ulliRBM

条件协方差的无向模型

卷积玻尔兹曼机

用于结构化或序列输出的玻尔兹曼机

其他玻尔兹曼机

通过随机 作的反向传播

通过离散随机 作的反向传播

有向生成网络

sigmoid信念网络

可微生成器网络

变分自编码器

生成式对抗网络

生成矩匹配网络

卷积生成网络

自回归网络

线性自回归网络

神经自回归网络

NADE

从自编码器采样

与任意去噪自编码器相关的马尔可夫链

夹合与条件采样

回退训练过程

生成随机网络

判别性GSN

其他生成方案

评估生成模型

结论

参考文献

索引

2.《TensorFlow深度学习算法原理与编程实践》

dy部分探索深度学习之方式的开始

dy 章开篇2

1.1人工智能的发展2

1.1.1萌芽2

1.1.2复苏4

1.1.3现代实践：大数据+深度神经网络模型6

1.2大数据7

1.3机器学习与深度学习8

1.3.1机器学习9

1.3.2深度学习13

1.3.3同人工智能的关系15

1.4人工神经网络与TensorFlow16

1.4.1人工神经网络16

1.4.2TensorFlow26

1.5其他主流深度学习框架介绍27

1.5.1Caffe28

1.5.2Torch30

1.5.3Thea 31

1.5.4MXNet32

1.5.5Keras34

1.6机器学习的常见任务35

1.6.1分类35

1.6.2回归36

1.6.3去噪37

1.6.4转录37

1.6.5机器翻译37

1.6.6异常检测38

1.6.7结构化输出38

1.7深度学习的现代应用39

1.7.1计算机视觉39

1.7.2自然语言处理44

1.7.3语音识别45

第2章安装TensorFlow47

2.1安装前的须知47

2.1.1检查硬件是否达标47

2.1.2推荐选用GPU进行训练50

2.1.3为什么选择Linux系统57

2.1.4为什么选择Python语言58

2.2安装Anaconda59

2.3TensorFlow的两个主要依赖包61

2.3.1Protocol Buffer62

2.3.2Bazel64

2.4安装CUDA和cuDNN67

2.4.1CUDA68

2.4.2cuDNN71

2.5正式安装TensorFlow74

2.5.1使用pip安装74

2.5.2从源代码编译并安装77

2.6测试你的TensorFlow82

2.6.1运行向量相加的例子82

2.6.2加载过程存在的一些问题84

2.7推荐使用IDE84

第3章TensorFlow编程策略86

3.1初识计算图与张量86

3.2计算图——TensorFlow的计算模型87

3.3张量——TensorFlow的数据模型90

3.3.1概念91

3.3.2使用张量92

3.4会话——TensorFlow的运行模型93

3.4.1TensorFlow系统结构概述93

3.4.2简单使用会话95

3.4.3使用with/as环境上下文管理器96

3.4.4Session的参数配置99

3.4.5placeholder机制99

3.5TensorFlow变量102

3.5.1创建变量102

3.5.2变量与张量106

3.6管理变量的变量空间108

3.6.1get_variable()函数108

3.6.2variable_scope()与name_scope()109

第二部分TensorFlow实现深度网络

第4章深度前馈神经网络116

4.1网络的前馈方式116

4.2全连接118

4.2.1神经元与全连接结构118

4.2.2前向传播算法120

4.3线性模型的局限性124

4.4激活函数131

4.4.1常用激活函数131

4.4.2激活函数实现去线性化135

4.5多层网络解决异或运算137

4.6损失函数140

4.6.1经典损失函数140

4.6.2自定义损失函数154

第5章优化网络的方法157

5.1基于梯度的优化157

5.1.1梯度下降算法158

5.1.2随机梯度下降164

5.2反向传播165

5.2.1简要解释反向传播算法165

5.2.2自适应学习率算法168

5.2.3TensorFlow提供的优化器171

5.3学习率的独立设置176

5.3.1指数衰减的学习率177

5.3.2其他优化学习率的方法179

5.4拟合183

5.4.1过拟合和欠拟合183

5.4.2正则化的方法186

5.4.3Bagging方法192

5.4.4Dropout方法193

第6章全连神经网络的经典实践197

6.1MNIST数据集197

6.2网络的设计201

6.3超参数和验证集209

已省略更多。。。。。。。

3.《动 学深度学习》

对本书的赞誉 

前言

如何使用本书

资源与支持

主要符号表

第　1 章 深度学习简介　1

1.1　起源　2

1.2　发展　4

1.3　成功案例　6

1.4　特点　7

小结　8

练习　8

第　2 章 预备知识　9

2.1　获取和运行本书的代码　9

2.1.1　获取代码并安装运行环境　9

2.1.2　更新代码和运行环境　11

2.1.3　使用GPU版的MXNet　11

小结12

练习12

2.2　数据 作　12

2.2.1　创建NDArray　12

2.2.2　运算　14

2.2.3　广播机制　16

2.2.4　索引　17

2.2.5　运算的内存开销　17

2.2.6　NDArray和NumPy相互变换18

小结19

练习19

2.3　自动求梯度　19

2.3.1　简单例子　19

2.3.2　训练模式和预测模式　20

2.3.3　对Python控制流求梯度　20

小结21

练习21

2.4　查阅文档　21

2.4.1　查找模块里的所有函数和类　21

2.4.2　查找特定函数和类的使用　22

2.4.3　在MXNet 上查阅　23

小结　24

练习　24

第3　章 深度学习基础　25

3.1　线性回归　25

3.1.1　线性回归的基本要素　25

3.1.2　线性回归的表示方法　28

小结　30

已省略更多。。。。

4.《Python 快速入门 第3版》

部分　开始篇

第 1章　关于Python  3

1.1  用Python的理由  3

1.2  Python的长处  3

1.2.1  Python易于使用  4

1.2.2  Python富有表现力  4

1.2.3  Python可读性好  5

1.2.4  Python功能齐备  5

1.2.5  Python跨平台  6

1.2.6  Python免费  6

1.3  Python的短板  6

1.3.1  Python不是速度 快的语言  7

1.3.2  Python的库不算 多  7

1.3.3  Python在编译时不检查变量类型  7

1.3.4  Python对移动应用的支持不足  8

1.3.5  Python对多处理器的利用不充分  8

1.4  学Python 3的理由  8

1.5  小结  9

第 2章　入门  10

2.1  Python的安装  10

2.2  基础交互模式和IDLE  12

2.2.1  基础交互模式  12

2.2.2  IDLE集成开发环境  13

2.2.3  基础交互模式和IDLE的适用场景  13

2.3  使用IDLE的Python shell窗口  13

2.4  第 1个程序“Hello, world"  14

2.5  利用交互式提示符探索Python  15

2.6  小结  16

第3章　Python概述  17

3.1  Python简介  17

3.2  内置数据类型  18

3.2.1  数值  18

3.2.2  列表  20

3.2.3  元组  21

3.2.4  字符串  22

3.2.5  字典  23

3.2.6  集合  23

3.2.7  文件对象  23

3.3  流程控制语句结构  24

3.3.1  布尔值和表达式  24

3.3.2  if-elif-else语句  25

3.3.3  while循环  25

3.3.4  for循环  25

已省略更多。。。。

5.《Python 3破冰人工智能 从入门到实战》

第 1章　从数学建模到人工智能 1

1.1　数学建模 1

1.1.1　数学建模与人工智能 1

1.1.2　数学建模中的常见问题 4

1.2　人工智能下的数学 12

1.2.1　统计量 12

1.2.2　矩阵概念及运算 13

1.2.3　概率论与数理统计 16

1.2.4　高等数学——导数、微分、不定积分、定积分 19

第 2章　Python快速入门 24

2.1　安装Python 24

2.1.1　Python安装步骤 24

2.1.2　IDE的选择 27

2.2　Python基本 作 28

2.2.1　第 1个小程序 28

2.2.2　注释与格式化输出 28

2.2.3　列表、元组、字典 34

2.2.4　条件语句与循环语句 37

2.2.5　break、continue、pass 40

2.3　Python高级 作 41

2.3.1　lambda 41

2.3.2　map 42

2.3.3　filter 43

第3章　Python科学计算库NumPy 45

3.1　NumPy简介与安装 45

3.1.1　NumPy简介 45

3.1.2　NumPy安装 45

3.2　基本 作 46

3.2.1　初识NumPy 46

3.2.2　NumPy数组类型 47

3.2.3　NumPy创建数组 49

3.2.4　索引与切片 56

3.2.5　矩阵合并与分割 60

3.2.6　矩阵运算与线性代数 62

3.2.7　NumPy的广播机制 69

3.2.8　NumPy统计函数 71

3.2.9　NumPy排序、搜索 75

已省略更多。。。。。。。。。。。。

6.《Python数据科学 册》

译者序   xiii

前言   xv

第 1 章 IPython： Python   1

1.1 shell还是Notebook   1

1.1.1 启动IPython shell   2

1.1.2 启动Jupyter Notebook   2

1.2 IPython的帮助和文档   3

1.2.1 用符号  获取文档   3

1.2.2 通过符号   获取源代码   4

1.2.3 用Tab补全的方式探索模块   5

1.3 IPython shell中的快捷键   7

1.3.1 导航快捷键   7

1.3.2 文本输入快捷键   7

1.3.3 命令历史快捷键   8

1.3.4 其他快捷键   9

1.4 IPython魔法命令   9

1.4.1 粘贴代码块：%paste和%cpaste   9

1.4.2 执行外部代码：%run   10

1.4.3 计算代码运行时间：%timeit   11

1.4.4 魔法函数的帮助： 、%magic 和%lsmagic   11

1.5 输入和输出历史   12

1.5.1 IPython的输入和输出对象   12

1.5.2 下划线快捷键和以前的输出   13

1.5.3 禁止输出   13

1.5.4 相关的魔法命令   13

1.6 IPython和shell命令   14

1.6.1 shell快速入门   14

1.6.2 IPython中的shell命令   15

1.6.3 在shell中传入或传出值   15

1.7 与shell相关的魔法命令   16

1.8 错误和调试   17

已省略更多。。。。。。

7.《Python神经网络编程》

第 1 章　神经网络如何工作001 

1.1　尺有所短，寸有所长 001 

1.2　一台简单的预测机 003 

1.3　分类器与预测器并无太大差别008 

1.4　训练简单的分类器　011 

1.5　有时候一个分类器不足以求解问题　020 

1.6　神经元——大自然的计算机器　024 

1.7　在神经网络中追踪信号　033 

1.8　凭心而论，矩阵乘法大有用途　037 

1.9　使用矩阵乘法的三层神经网络示例　043 

1.10　学习来自多个节点的权重　051 

1.11　多个输出节点反向传播误差053 

1.12　反向传播误差到更多层中　054 

1.13　使用矩阵乘法进行反向传播误差　058 

1.14　我们实际上如何更新权重　061 

1.15　权重更新成功范例　077 

1.16　准备数据　078 

第 2 章　使用Python进行DIY 083 

2.1　Python　083 

2.2　交互式Python = IPython　084 

2.3　优雅地开始使用Python　085 

2.4　使用Python制作神经网络 105 

2.5　 写数字的数据集MNIST 121 

第 3 章　趣味盎然 153 

3.1　自己的 写数字　153 

3.2　神经网络大脑内部　156 

3.3　创建新的训练数据：旋转图像　160 

3.4　结语　164 

附录A　微积分简介 165 

A.1　一条平直的线　166 

A.2　一条斜线　168 

A.3　一条曲线　170 

A.4　 绘微积分　172 

A.5　非 绘微积分　174 

A.6　无需绘制图表的微积分　177 

A.7　模式　180 

A.8　函数的函数　182 

已省略更多。。。。。

1.《深度学习》

2.《TensorFlow深度学习算法原理与编程实践》

蒋子阳，多年专业编程工作经验，曾参与多个机器人目标识别与定位等深度学习相关项目，擅长图像识别算法、语音识别算法等。涉及行业包括金融、证券、汽车、公共安全等领域。近年来，本人对机器学习及深度学习进行了深入研究，随着TensorFlow的出现，开始将精力转移到TensorFlow深度学习算法原理的研究中，并专门推导过其中的大部分算法，对该框架有着独特的认识和深入的理解。

3.《动 学深度学习》

4.《Python 快速入门 第3版》

娜奥米·塞德（Naomi Ceder）是Python软件基金会zhu席。自2001年以来，她一直在学习、使用和教授Python。 她的编程生涯已经持续了近30年，使用过多种编程语言，做过Linux系统管理员、编程教师、开发人员和系统架构师。她从2001年开始使用Python，从此向各个层次的用户讲授Python，从12岁的孩子到专业编程人员都有。她向所有人宣传Python，宣讲加入内容丰富的社区的好处。她现在领导着Dick Blick Art Materials的一支开发团队。

5.《Python 3破冰人工智能 从入门到实战》

黄海涛（笔名零壹），算法工程师，网易云课堂“零壹课堂”主创人，CSDN博客专家，2018年度博客之星。曾先后参与开发多款人工智能产品，具有丰富项目经验；精通数学建模，曾多次获得竞赛奖项。

6.《Python数据科学 册》

Jake VanderPlas是Python科学栈的深度用户和开发人员，目前是华盛顿大学eScience学院物理科学研究院院长，研究方向为天文学。同时，他还为很多领域的科学家提供建议和咨询。

7.《Python神经网络编程》

8.《数据挖掘导论(完整版)》

陈封能（Pang-Ning Tan）现为密歇根州立大学计算机与工程系助理教授，主要教授数据挖掘、数据库系统等课程。此前，他曾是明尼苏达大学美国陆军高性

能计算研究中心副研究员（2002-2003）。　　斯坦巴赫（Michael Steinbach）明尼苏达大学计算机与工程系研究员，在读博士。库玛尔（Vipin Kum-

ar）明尼苏达大学计算机科学与工程系主任，曾任美国陆军高性能计算研究中心主任。他拥有马里兰大学博士学位，是数据挖掘和高性能计算方面的专家，IEE-

E会士。范明，郑州大学信息工程学院教授，中国计算机学会数据库专业委员会委员、人工智能与模式识别专业委员会委员，长期从事计算机软件与理论教学和研究。先后发表论史40余篇。　　范宏建 澳大利亚墨尔本大学计算机科学博士。先后在WWW、PAKDD、RSFDGrC、IEEE GrC和Australian AI等 学术会议和IEEETransactions on K wledge and Data Engineering发表论文10余篇。目前是澳大利亚AUSTRAC的高级分析师。

9.《Python和NLTK自然语言处理》

Nitin Hardeniya是一位数据科学家，精通Python、NLTK、机器学习，与多家 公司都有长期的合作。他的业务范围比较广，擅长解决不同领域的各种业务问题。他发表过5篇专利。

10.《机器学习》

周志华，南京大学计算机系教授，ACM杰出科学家，IEEE Fellow, IAPR Fellow, IET/IEE Fellow, 中国计算机学会会士。guo家杰出青年科学基金获得者、长江学者特聘教授。先后担任多种SCI(E)期刊执行主编、副主编、副编辑、编委等。中国计算机学会人工智能与模式识别专业委员会主任，中国人工智能学会机器学习专业委员会主任，IEEE计算智能学会数据挖掘技术委员会副主席

1