本书是《Python编程与人工智能应用》的下册，分为三部分—人工智能基础、人工智能应用和综合应用与案例。第一部分“人工智能基础”围绕Python在智能系统开发中的核心角色，系统讲解机器学习与大模型技术的基本原理与实现方法。第二部分“人工智能应用”聚焦Python在典型AI场景中的实际落地，涵盖计算机视觉、自然语言处理、语音处理与点云处理等关键技术。第三部分“综合应用与案例”设置两个专题，面向真实问题情境，融合前述各类技术方法，强化跨领域建模、系统集成与任务驱动式开发能力。
本书适合作为高校人工智能、计算机以及相关理工科专业本科生的教材。

宫丽娜　南京航空航天大学副教授，长期从事大模型、深度学习、迁移学习以及图形与图像处理等方向的研究，致力于将相关成果应用于军事目标检测、雷达信号处理、智能软件开发与先进制造等多个领域。近年来，主持包括国家重点研发计划、中央军委科技委创新项目、国家自然科学基金在内的十余项科研课题，在人工智能与软件工程主流国际会议（如ASE）及权威期刊上以第一作者或通讯作者发表论文40余篇。研究成果获得中国船舶集团科技进步三等奖、江苏省人工智能学会科技创新奖和江苏省信息技术应用学会青年科技奖。目前担任中国计算机学会软件工程、系统软件及信息系统专委会执行委员，江苏省计算机学会信息技术应用学会软件专委会副秘书长，并受邀担任ICSME、MSR等国际软件工程顶级会议的程序委员会委员。
魏明强　南京航空航天大学教授、博士生导师，脑机智能技术教育部重点实验室副主任，国家自然科学基金优秀青年基金获得者。博士毕业于香港中文大学，获评“最佳博士毕业论文奖”。长期从事几何深度学习与三维视觉方向的研究，近年来在IEEE TPAMI、IEEE TVCG、IEEE TIP、IJCV、SIGGRAPH、CVPR、ICCV等国际顶级期刊和会议上发表论文100余篇。主持国家级及省部级科研项目数十项，相关技术已成功应用于多项国家重点型号工程任务。现担任IEEE TIP、ACM TOMM以及《计算机辅助设计与图形学学报》等期刊编委。

目　录

前言

第一部分　人工智能基础

第1章　Python与机器学习2
1.1　机器学习概述2
1.1.1　机器学习的定义2
1.1.2　机器学习分类3
1.1.3　Python常用机器学习工具库4
1.2　深度学习概述9
1.2.1　深度学习简介9
1.2.2　深度学习的基本架构10
1.2.3　Python常用深度学习工具库12
1.3　有监督学习16
1.3.1　K近邻16
1.3.2　决策树18
1.3.3　支持向量机19
1.3.4　深度学习模型20
1.4　无监督学习24
1.4.1　聚类24
1.4.2　自监督学习29
1.5　半监督学习32
1.6　强化学习34
1.6.1　什么是强化学习34
1.6.2　Q-Learning算法35
1.6.3　DQN算法39
1.7　主动学习40
1.7.1　什么是主动学习40
1.7.2　基于不确定性采样的主动学习实战41
1.8　模型评估与优化42
1.8.1　模型评估42
1.8.2　模型优化46
1.9　小结48

第2章　Python与大模型技术49
2.1　大模型的本质49
2.1.1　大模型的基本概念49
2.1.2　大模型的网络结构50
2.1.3　大模型的分类53
2.1.4　大模型的多维应用54
2.1.5　Python中常用的大模型工具库57
2.2　使用Python构建与训练大模型58
2.2.1　数据准备58
2.2.2　大模型的预训练与微调62
2.3　大模型的部署与推理68
2.3.1　大模型的部署68
2.3.2　大模型的推理72
2.4　大模型的应用案例：智能编程74
2.5　小结79

第二部分　人工智能应用

第3章　Python与计算机视觉82
3.1　计算机视觉简介83
3.1.1　计算机视觉简史83
3.1.2　计算机视觉的主要任务84
3.1.3　Python常用图像处理库介绍85
3.2　目标检测与实例分割91
3.2.1　安装与运行环境设置91
3.2.2　SSD与DeepLabV3实现92
3.2.3　性能指标评估93
3.3　图像复原实例95
3.3.1　图像去噪95
3.3.2　图像去雾去雨97
3.3.3　性能指标评估102
3.4　视频处理实例103
3.5　小结105

第4章　Python与自然语言处理106
4.1　自然语言处理简介106
4.1.1　自然语言处理简史107
4.1.2　自然语言处理的应用领域109
4.1.3　自然语言处理的核心原理109
4.2　Python文本处理库介绍117
4.2.1　jieba117
4.2.2　NLTK118
4.2.3　SpaCy122
4.2.4　Gensim124
4.2.5　MindNLP126
4.3　文本分类与情感分析128
4.3.1　文本分类129
4.3.2　情感分析139
4.4　机器翻译146
4.4.1　基于规则的机器翻译146
4.4.2　基于统计的机器翻译146
4.4.3　基于神经网络的机器翻译149
4.4.4　机器翻译实战149
4.5　问答系统162
4.5.1　开放域问答系统162
4.5.2　封闭域问答系统162
4.5.3　多模态问答系统162
4.5.4　问答系统实战163
4.6　小结169

第5章　Python与语音处理170
5.1　语音处理简介170
5.1.1　语音三要素171
5.1.2　语音信号的四个重要参数172
5.1.3　语音处理任务分类172
5.2　Python语音处理库介绍173
5.2.1　pyAudio174
5.2.2　pyAudioKits176
5.2.3　MindSpore Audio182
5.3　语音识别185
5.3.1　特征提取186
5.3.2　声学模型190
5.3.3　语言模型190
5.3.4　解码搜索191
5.3.5　语音识别实例191
5.4　语音增强194
5.4.1　语音增强的听觉问题195
5.4.2　语音增强算法196
5.4.3　语音增强实例197
5.5　语音合成201
5.5.1　语音合成的声学系统202
5.5.2　语音合成实例204
5.6　小结209

第6章　Python与点云处理210
6.1　点云数据简介210
6.1.1　点云技术简史211
6.1.2　点云数据的获取方式211
6.1.3　点云数据常见的存储格式212
6.1.4　点云数据常见的数据结构213
6.1.5　点云的应用领域214
6.2　点云数据可视化215
6.2.1　常见的点云可视化工具和库216
6.2.2　点云可视化的基本流程217
6.2.3　高级点云可视化方法218
6.3　点云滤波与配准223
6.3.1　点云滤波简介224
6.3.2　点云滤波的常见方法与实例224
6.3.3　点云配准简介227
6.3.4　点云配准的实例228
6.4　点云分割与分类230
6.4.1　点云分割简介231
6.4.2　点云分割的常见方法231
6.4.3　点云分类简介234
6.4.4　点云分类实例235
6.5　小结237

第三部分　综合应用与案例

第7章　综合实例：航空航天领域的Python应用240
7.1　飞行数据分析与故障诊断实例240
7.1.1　飞行数据分析240
7.1.2　飞行故障诊断246
7.2　卫星图像处理与遥感分析实例254
7.2.1　卫星图像处理254
7.2.2　遥感分析257
7.3　轨道动力学模拟实例261
7.3.1　Poliastro库261
7.3.2　绘制简单静态轨道图261
7.3.3　可视化SpaceX Tesla Roadster火星之旅264
7.4　飞行器轨迹识别266
7.4.1　前置准备266
7.4.2　飞行器的识别和跟踪267
7.4.3　飞行器轨迹可视化269
7.5　小、微无人机的目标类型识别实例270
7.5.1　熟悉数据集与项目结构270
7.5.2　数据处理271
7.5.3　模型训练274
7.5.4　模型测试277
7.6　小结278

第8章　综合实例：跨学科中的Python应用279
8.1　文科中的Python应用案例279
8.1.1　文学：使用Python实现《全唐诗》主题挖掘与意向分析280
8.1.2　社会学：Facebook社交网络分析285
8.1.3　历史学：使用Python实现敦煌壁画数字化修护293
8.2　理科中的Python应用案例297
8.2.1　数据分析：使用Python进行气候数据的时间序列分析，预测未来的气候变化趋势297
8.2.2　生物信息学：DNA序列比对、保守区域分析与功能注释304
8.2.3　天文学：模拟二体与三体问题311
8.3　工科中的Python应用案例319
8.3.1　工程仿真：有限元分析压缩模型应力-应变曲线319
8.3.2　自动化控制：利用Python 模拟栅格机器人328
8.3.3　智能制造：基于LSTM对水泵的传感器数据进行预测性维护335
8.4　小结345