本书共9章，主要介绍了人工智能在监督学习、非监督学习、强化学习3个领域的10种常见算法，包括k近邻、贝叶斯、决策树、支持向量机、集成学习、K均值、线性回归、神经网络、卷积网络、Q-learning等。全书采用Python作为实现语言，通过大量原创图表及实用案例让读者能够了解并掌握人工智能的常用算法。此外，本书还设计了许多Excel表格让读者参与人工智能的“决策过程”，以期加强读者的体会和理解。
本书配套的数字课程将在“爱课程”（www.icourses.cn）平台（见前言二维码）及“智慧职教”（www.icve.com.cn）平台上线，读者可登录平台学习，授课教师可以调用本课程构建符合自身教学特色的SPOC课程，详见“智慧职教”服务指南。此外，本书还提供了其他丰富的数字化课程教学资源，包括电子课件（PPT）、实训案例、资源文件及源代码等，教师可发邮件至编辑邮箱1548103297@qq.com获取。
本书既可以作为高等职业院校的人工智能课程教材，也可以作为想了解机器学习技术及应用实践人员的参考书。
- 前辅文
- 第1章 距离的应用——k近邻算法
- 1.1 相似就是“距离”相近
- 1.2 数据处理：归一化
- 1.3 人工智能应用的要素
- 1.4 编程
- 1.5 代码详解
- 1.6 本章小结
- 1.7 本章练习
- 第2章 由条件做判断——朴素贝叶斯
- 2.1 计算事物发生的可能性
- 2.2 根据消费记录洞察新需求
- 2.3 算法的改进
- 2.4 训练集、测试集对结果的影响以及算法评价
- 2.5 利用程序解决问题
- 2.6 本章小结
- 2.7 本章练习
- 第3章 决策的窍门——决策树
- 3.1 如何决策最有效率
- 3.2 利用“决策树”开发一个人工智能的信用卡审批系统
- 3.3 处理数据的瑕疵以及特征工程
- 3.4 编程完成决策树的项目应用
- 3.5 本章小结
- 3.6 本章练习
- 第4章 楚河汉界的划分——支持向量机
- 4.1 划分边界的一般规律
- 4.2 找出考试的通关秘笈
- 4.3 用核函数处理非线性可分的数据
- 4.4 数据可视化
- 4.5 支持向量机的项目应用
- 4.6 本章小结
- 4.7 本章练习
- 第5章 亦步亦趋的刻画——线性回归
- 5.1 线性回归的实例：连锁店消暑饮料的送货量
- 5.2 求解模型
- 5.3 表达拟合结果和趋势
- 5.4 模型可用性的度量
- 5.5 线性回归的扩展
- 5.6 本章小结
- 5.7 本章练习
- 第6章 明察秋毫的发现与总结——聚类方法
- 6.1 利用K均值算法聚类
- 6.2 利用K均值算法进行樱花耐旱性聚类
- 6.3 利用降维简化数据
- 6.4 本章小结
- 6.5 本章练习
- 第7章 披沙沥金的选择——神经网络
- 7.1 累计触发：神经网络概述
- 7.2 神经网络体验：辨认鱼的种类
- 7.3 隐藏层和梯度下降
- 7.4 利用神经网络辨认手写数字
- 7.5 本章小结
- 7.6 本章练习
- 第8章 至关重要的少数——用卷积网络识别图像和语言
- 8.1 有关计算机图形的基本知识
- 8.2 减少规模的秘密在于共享
- 8.3 构造特征辨认图像
- 8.4 利用卷积网络进行图像识别实战
- 8.5 利用卷积网络分析论坛留言的情绪
- 8.6 本章小结
- 8.7 本章练习
- 第9章 能吸取经验的机器——用强化学习完成智能化
- 9.1 强化学习的一般原理
- 9.2 利用Q表完成强化学习
- 9.3 利用DQN应对复杂的应用
- 9.4 本章小结
- 9.5 本章练习
- 附录
- 附录A Python简介
- 附录B 利用numpy进行高效计算
