.jpg)
Python程序设计—— 面向人工智能应用开发（TensorFlow、Keras、PyTorch）
作者：张晓华 井超 李辉
ISBN：978-7-111-80099-6
配套资源：教学课件、程序源代码、习题答案、实验指导书
本书特色：
系统讲解基于Python的人工智能应用开发方法、工具、案例
详解Python人工智能核心库:NumPy、Pandas、Matplotlib、TensorFlow、Keras、PyTorch
本书配套资源、样书均可在本页下载申请，也可联系微信13146070618索取
本书是一本Python程序设计教程，除了系统介绍Python程序开发，还重点介绍了面向人工智能应用的开发。全书共10章，内容包括Python与人工智能；Python程序设计基础；Python程序设计进阶；人工智能应用开发的常用算法与模型；NumPy：生成和处理数据；Pandas：分析数据；Matplotlib：数据可视化；使用TensorFlow开发AI应用；基于Keras的AI应用开发实践；使用PyTorch实现机器学习应用。 本书理论结合实际，具有鲜明的实践特色，能够很好地满足高校人工智能相关专业人才培养的需求和人工智能相关岗位开发者的技能提升需求。
同系列书
相关图书
- 图书详情
装订：平装
编辑：王斌
开本：16
出版日期：
2026-02-05
字数：475 千字
最新版印次：1-1
最新印次时间：2026-02-05
定价：89.9
cip：20250MS392
中图法分类：TP312.8
图书简介
配套资源：教学课件、程序源代码、习题答案、实验指导书
本书特色：
系统讲解基于Python的人工智能应用开发方法、工具、案例
详解Python人工智能核心库:NumPy、Pandas、Matplotlib、TensorFlow、Keras、PyTorch
本书配套资源、样书均可在本页下载申请，也可联系微信13146070618索取
本书是一本Python程序设计教程，除了系统介绍Python程序开发，还重点介绍了面向人工智能应用的开发。全书共10章，内容包括Python与人工智能；Python程序设计基础；Python程序设计进阶；人工智能应用开发的常用算法与模型；NumPy：生成和处理数据；Pandas：分析数据；Matplotlib：数据可视化；使用TensorFlow开发AI应用；基于Keras的AI应用开发实践；使用PyTorch实现机器学习应用。 本书理论结合实际，具有鲜明的实践特色，能够很好地满足高校人工智能相关专业人才培养的需求和人工智能相关岗位开发者的技能提升需求。
作者信息
张晓华, 井超, 李辉编著
章节目录
目录
前言
第1章 Python与人工智能 1
1.1 人工智能概述 1
1.1.1 人工智能的概念 1
1.1.2 人工智能的发展历程 1
1.1.3 人工智能的知识体系及应用
领域 2
1.2 人工智能应用开发利器Python 5
1.2.1 Python是什么 5
1.2.2 Python的特点 5
1.2.3 Python可以做什么 6
1.2.4 Python与人工智能 7
1.3 基于Python的主流AI开发
工具 8
1.3.1 NumPy库 8
1.3.2 Pandas库 8
1.3.3 Matplotlib库 8
1.3.4 TensorFlow库 9
1.3.5 Keras库 11
1.3.6 PyTorch库 12
1.3.7 PyTorch与TensorFlow的对比 13
本章练习 14
第2章 Python程序设计基础 15
2.1 Python的安装 15
2.1.1 Python解释器的安装 15
2.1.2 PyCharm集成开发环境的安装 21
2.1.3 Python包管理工具pip 28
2.1.4 Python相关的文件 32
2.2 Python语法基础 33
2.2.1 注释 33
2.2.2 Python语言的关键字 35
2.2.3 Python的标识符 36
2.2.4 Python的内置常量 36
2.2.5 Python的内置函数 37
2.3 Python引用 40
2.3.1 命名空间 40
2.3.2 模块的导入与使用 41
2.4 Python的基本数据类型 42
2.5 Python的运算符与表达式 46
2.6 Python的代码编写规范 48
本章练习 49
第3章 Python程序设计进阶 51
3.1 Python数据结构、程序流程控制、函数与文件 51
3.1.1 Python数据结构 51
3.1.2 Python程序流程控制 66
3.1.3 异常处理 78
3.1.4 函数 81
3.1.5 文件 98
3.2 Python面向对象程序设计 108
3.2.1 类 109
3.2.2 类方法、实例方法、静态
方法 113
3.2.3 对象 117
3.2.4 封装、继承、多态 119
3.2.5 面向对象案例精析 124
本章练习 129
第4章 人工智能应用开发的常用
算法与模型 131
4.1 监督学习模型 131
4.1.1 决策树 131
4.1.2 贝叶斯分类算法 132
4.1.3 神经网络 132
4.1.4 支持向量机（SVM） 132
4.1.5 集成学习分类模型 132
4.1.6 其他分类学习模型 132
4.2 无监督学习模型 133
4.2.1 K-means聚类 133
4.2.2 基于密度的聚类 133
4.2.3 层次聚类方法 133
4.2.4 谱聚类 133
4.3 半监督学习 134
4.3.1 半监督学习概述 134
4.3.2 Multi-view algorithm（多视角
算法） 134
4.3.3 Graph-Based Algorithms（基于图
的算法） 134
4.4 文本处理模型 134
4.4.1 分词模型 134
4.4.2 TF-IDF模型 135
4.4.3 LDA模型 135
4.5 强化学习 136
4.5.1 强化学习概述 136
4.5.2 基本模型和原理 136
4.5.3 网络模型设计 137
4.6 深度学习 137
4.6.1 概要介绍 138
4.6.2 深度学习的特点 139
4.6.3 深度学习的典型模型 139
4.6.4 深度学习的训练过程 140
4.6.5 深度学习的常见应用 141
4.7 模型评价指标 142
4.7.1 模型评价概述 142
4.7.2 常用的模型评价方法 143
4.8 人工神经网络 144
4.8.1 人工神经网络概述 144
4.8.2 网络模型 145
4.8.3 人工神经网络的应用分析 145
4.8.4 多层神经网络 148
4.8.5 激活函数 148
4.8.6 卷积神经网络 149
4.8.7 循环神经网络 156
4.9 人工智能应用的构建 158
4.9.1 数据处理 158
4.9.2 模型设计 159
4.9.3 模型训练 159
4.9.4 模型评估 160
4.9.5 模型测试 160
4.9.6 模型部署 161
本章练习 162
第5章 NumPy：生成和处理
数据 163
5.1 NumPy的安装 163
5.2 NumPy入门 163
5.2.1 数值计算 163
5.2.2 是否使用NumPy的运行时间
对比 165
5.2.3 数组和矩阵计算 166
5.3 NumPy数组操作相关函数 170
5.4 NumPy数学函数 175
5.4.1 NumPy常用数学函数基础 175
5.4.2 NumPy常用统计函数 179
5.4.3 NumPy常用向量和矩阵
函数 184
5.5 NumPy数据分类案例 188
5.5.1 线性回归的基本概念 188
5.5.2 损失函数的设置 189
5.5.3 Python程序实现 190
本章练习 194
第6章 Pandas：分析数据 195
6.1 Pandas 195
6.1.1 Pandas的由来 195
6.1.2 安装Pandas库 195
6.2 Series 198
6.2.1 创建Series对象 198
6.2.2 Series属性 199
6.2.3 Series常用方法 200
6.2.4 Series对象数据绘图 202
6.3 DataFrame 203
6.3.1 DataFrame概念 203
6.3.2 创建DataFrame对象 204
6.3.3 DataFrame属性 206
6.3.4 DataFrame索引和切片 208
6.3.5 DataFrame数据分析 210
6.3.6 DataFrame对象可视化 211
6.4 基于Bank Marketing数据集的
营销活动分析 213
6.4.1 数据集概述和数据结构 213
6.4.2 数据的基本信息 213
6.4.3 客户数据分析 214
6.4.4 营销活动数据分析 215
6.4.5 完整代码及运行结果 215
本章练习 218
第7章 Matplotlib：数据可视化 219
7.1 Matplotlib基础 219
7.2 Matplotlib常见绘图属性 220
7.2.1 编写Matplotlib程序 220
7.2.2 绘图参数 221
7.2.3 Matplotlib的字体 222
7.2.4 其他绘图设置 223
7.3 Matplotlib基本绘图 224
7.3.1 折线图 224
7.3.2 散点图 226
7.3.3 双轴图 226
7.3.4 条形图 228
7.3.5 直方图 229
7.3.6 饼图 230
7.3.7 箱型图 230
7.3.8 泡泡图 232
7.3.9 等高线图 232
7.3.10 3D曲线图 233
7.3.11 3D散点图 234
7.3.12 3D等高线图 235
7.3.13 3D线框图 236
7.3.14 3D曲面图 237
7.4 Matplotlib绘制交互式动态
图形 238
7.4.1 Matplotlib的事件绑定 239
7.4.2 Matplotlib常用事件 239
7.4.3 使用Matplotlib绘制动态
图形 240
7.5 使用NumPy、Pandas、Matplotlib进行电影数据分析与可视化 247
7.5.1 获取数据 247
7.5.2 电影评分分布图 247
7.5.3 电影时长分布图 248
7.5.4 统计电影分类 249
本章练习 250
第8章 使用TensorFlow开发AI
应用 251
8.1 TensorFlow的基本概念 251
8.2 TensorFlow运行原理 251
8.2.1 张量 253
8.2.2 变量 254
8.2.3 数据流图和会话 255
8.3 TensorFlow深度学习 260
8.3.1 激活函数 260
8.3.2 卷积函数 263
8.3.3 池化操作 266
8.3.4 分类函数 267
8.3.5 优化器 268
8.4 TensorFlow实践案例 270
8.4.1 卷积神经网络的构建 271
8.4.2 基于循环神经网络的长短期
记忆模型 274
8.4.3 基于简单循环神经网络的股票
预测 281
本章练习 282
第9章 基于Keras的AI应用开发
实践 283
9.1 Keras基础 283
9.1.1 安装Keras 283
9.1.2 实现卷积神经网络 284
9.1.3 模型的加载及保存 285
9.2 Keras中的神经网络层 286
9.2.1 序列化模型 287
9.2.2 函数化模型 287
9.2.3 核心层 288
9.2.4 优化器 295
9.2.5 损失函数 296
9.2.6 激活函数 296
9.3 Keras案例 297
9.3.1 基于Keras的电影评论分类
问题 297
9.3.2 基于Keras构建卷积神经
网络 299
9.3.3 基于Keras构建循环神经
网络 301
本章练习 303
第10章 使用PyTorch实现机器
学习应用 304
10.1 PyTorch开发流程 304
10.2 PyTorch开发案例 307
10.2.1 基于PyTorch的逻辑回归 307
10.2.2 基于PyTorch构建卷积神经
网络LeNet-5 309
10.2.3 基于PyTorch实现循环神经
网络预测 312
本章练习 314
参考文献 316
前言
第1章 Python与人工智能 1
1.1 人工智能概述 1
1.1.1 人工智能的概念 1
1.1.2 人工智能的发展历程 1
1.1.3 人工智能的知识体系及应用
领域 2
1.2 人工智能应用开发利器Python 5
1.2.1 Python是什么 5
1.2.2 Python的特点 5
1.2.3 Python可以做什么 6
1.2.4 Python与人工智能 7
1.3 基于Python的主流AI开发
工具 8
1.3.1 NumPy库 8
1.3.2 Pandas库 8
1.3.3 Matplotlib库 8
1.3.4 TensorFlow库 9
1.3.5 Keras库 11
1.3.6 PyTorch库 12
1.3.7 PyTorch与TensorFlow的对比 13
本章练习 14
第2章 Python程序设计基础 15
2.1 Python的安装 15
2.1.1 Python解释器的安装 15
2.1.2 PyCharm集成开发环境的安装 21
2.1.3 Python包管理工具pip 28
2.1.4 Python相关的文件 32
2.2 Python语法基础 33
2.2.1 注释 33
2.2.2 Python语言的关键字 35
2.2.3 Python的标识符 36
2.2.4 Python的内置常量 36
2.2.5 Python的内置函数 37
2.3 Python引用 40
2.3.1 命名空间 40
2.3.2 模块的导入与使用 41
2.4 Python的基本数据类型 42
2.5 Python的运算符与表达式 46
2.6 Python的代码编写规范 48
本章练习 49
第3章 Python程序设计进阶 51
3.1 Python数据结构、程序流程控制、函数与文件 51
3.1.1 Python数据结构 51
3.1.2 Python程序流程控制 66
3.1.3 异常处理 78
3.1.4 函数 81
3.1.5 文件 98
3.2 Python面向对象程序设计 108
3.2.1 类 109
3.2.2 类方法、实例方法、静态
方法 113
3.2.3 对象 117
3.2.4 封装、继承、多态 119
3.2.5 面向对象案例精析 124
本章练习 129
第4章 人工智能应用开发的常用
算法与模型 131
4.1 监督学习模型 131
4.1.1 决策树 131
4.1.2 贝叶斯分类算法 132
4.1.3 神经网络 132
4.1.4 支持向量机（SVM） 132
4.1.5 集成学习分类模型 132
4.1.6 其他分类学习模型 132
4.2 无监督学习模型 133
4.2.1 K-means聚类 133
4.2.2 基于密度的聚类 133
4.2.3 层次聚类方法 133
4.2.4 谱聚类 133
4.3 半监督学习 134
4.3.1 半监督学习概述 134
4.3.2 Multi-view algorithm（多视角
算法） 134
4.3.3 Graph-Based Algorithms（基于图
的算法） 134
4.4 文本处理模型 134
4.4.1 分词模型 134
4.4.2 TF-IDF模型 135
4.4.3 LDA模型 135
4.5 强化学习 136
4.5.1 强化学习概述 136
4.5.2 基本模型和原理 136
4.5.3 网络模型设计 137
4.6 深度学习 137
4.6.1 概要介绍 138
4.6.2 深度学习的特点 139
4.6.3 深度学习的典型模型 139
4.6.4 深度学习的训练过程 140
4.6.5 深度学习的常见应用 141
4.7 模型评价指标 142
4.7.1 模型评价概述 142
4.7.2 常用的模型评价方法 143
4.8 人工神经网络 144
4.8.1 人工神经网络概述 144
4.8.2 网络模型 145
4.8.3 人工神经网络的应用分析 145
4.8.4 多层神经网络 148
4.8.5 激活函数 148
4.8.6 卷积神经网络 149
4.8.7 循环神经网络 156
4.9 人工智能应用的构建 158
4.9.1 数据处理 158
4.9.2 模型设计 159
4.9.3 模型训练 159
4.9.4 模型评估 160
4.9.5 模型测试 160
4.9.6 模型部署 161
本章练习 162
第5章 NumPy：生成和处理
数据 163
5.1 NumPy的安装 163
5.2 NumPy入门 163
5.2.1 数值计算 163
5.2.2 是否使用NumPy的运行时间
对比 165
5.2.3 数组和矩阵计算 166
5.3 NumPy数组操作相关函数 170
5.4 NumPy数学函数 175
5.4.1 NumPy常用数学函数基础 175
5.4.2 NumPy常用统计函数 179
5.4.3 NumPy常用向量和矩阵
函数 184
5.5 NumPy数据分类案例 188
5.5.1 线性回归的基本概念 188
5.5.2 损失函数的设置 189
5.5.3 Python程序实现 190
本章练习 194
第6章 Pandas：分析数据 195
6.1 Pandas 195
6.1.1 Pandas的由来 195
6.1.2 安装Pandas库 195
6.2 Series 198
6.2.1 创建Series对象 198
6.2.2 Series属性 199
6.2.3 Series常用方法 200
6.2.4 Series对象数据绘图 202
6.3 DataFrame 203
6.3.1 DataFrame概念 203
6.3.2 创建DataFrame对象 204
6.3.3 DataFrame属性 206
6.3.4 DataFrame索引和切片 208
6.3.5 DataFrame数据分析 210
6.3.6 DataFrame对象可视化 211
6.4 基于Bank Marketing数据集的
营销活动分析 213
6.4.1 数据集概述和数据结构 213
6.4.2 数据的基本信息 213
6.4.3 客户数据分析 214
6.4.4 营销活动数据分析 215
6.4.5 完整代码及运行结果 215
本章练习 218
第7章 Matplotlib：数据可视化 219
7.1 Matplotlib基础 219
7.2 Matplotlib常见绘图属性 220
7.2.1 编写Matplotlib程序 220
7.2.2 绘图参数 221
7.2.3 Matplotlib的字体 222
7.2.4 其他绘图设置 223
7.3 Matplotlib基本绘图 224
7.3.1 折线图 224
7.3.2 散点图 226
7.3.3 双轴图 226
7.3.4 条形图 228
7.3.5 直方图 229
7.3.6 饼图 230
7.3.7 箱型图 230
7.3.8 泡泡图 232
7.3.9 等高线图 232
7.3.10 3D曲线图 233
7.3.11 3D散点图 234
7.3.12 3D等高线图 235
7.3.13 3D线框图 236
7.3.14 3D曲面图 237
7.4 Matplotlib绘制交互式动态
图形 238
7.4.1 Matplotlib的事件绑定 239
7.4.2 Matplotlib常用事件 239
7.4.3 使用Matplotlib绘制动态
图形 240
7.5 使用NumPy、Pandas、Matplotlib进行电影数据分析与可视化 247
7.5.1 获取数据 247
7.5.2 电影评分分布图 247
7.5.3 电影时长分布图 248
7.5.4 统计电影分类 249
本章练习 250
第8章 使用TensorFlow开发AI
应用 251
8.1 TensorFlow的基本概念 251
8.2 TensorFlow运行原理 251
8.2.1 张量 253
8.2.2 变量 254
8.2.3 数据流图和会话 255
8.3 TensorFlow深度学习 260
8.3.1 激活函数 260
8.3.2 卷积函数 263
8.3.3 池化操作 266
8.3.4 分类函数 267
8.3.5 优化器 268
8.4 TensorFlow实践案例 270
8.4.1 卷积神经网络的构建 271
8.4.2 基于循环神经网络的长短期
记忆模型 274
8.4.3 基于简单循环神经网络的股票
预测 281
本章练习 282
第9章 基于Keras的AI应用开发
实践 283
9.1 Keras基础 283
9.1.1 安装Keras 283
9.1.2 实现卷积神经网络 284
9.1.3 模型的加载及保存 285
9.2 Keras中的神经网络层 286
9.2.1 序列化模型 287
9.2.2 函数化模型 287
9.2.3 核心层 288
9.2.4 优化器 295
9.2.5 损失函数 296
9.2.6 激活函数 296
9.3 Keras案例 297
9.3.1 基于Keras的电影评论分类
问题 297
9.3.2 基于Keras构建卷积神经
网络 299
9.3.3 基于Keras构建循环神经
网络 301
本章练习 303
第10章 使用PyTorch实现机器
学习应用 304
10.1 PyTorch开发流程 304
10.2 PyTorch开发案例 307
10.2.1 基于PyTorch的逻辑回归 307
10.2.2 基于PyTorch构建卷积神经
网络LeNet-5 309
10.2.3 基于PyTorch实现循环神经
网络预测 312
本章练习 314
参考文献 316
图书评论
