本书主要介绍主流的人工智能理论、算法以及Python实现方法，目的是使学生学会人工智能理论及推导过程，并且掌握调用Python人工智能库和自定义编码的方法。全书共分10章，分别为人工智能与Python概述、Python基础、线性回归及其Python实现、逻辑斯蒂分类及其Python实现、最大熵模型及其Python实现、K-近邻分类与K-均值聚类及其Python实现、朴素贝叶斯分类及其Python实现、决策树及其Python实现、神经网络及其Python实现、图像识别领域的应用案例。
本书可作为计算机专业相关课程的教材，也可作为程序设计人员的参考书。

第1章 人工智能与Python概述
1.1 人工智能的起源与发展
1.2 人工智能的核心概念
1.2.1 人工智能的三大学派
1.2.2 强人工智能与弱人工智能
1.3 人工智能的分支领域
1.3.1 机器学习与深度学习
1.3.2 人工智能的应用分支领域
1.4 人工智能行业应用与人才需求
1.4.1 人工智能行业应用举例
1.4.2 人工智能人才需求
1.5 Python与人工智能的关系
1.6 Python人工智能开发环境安装
1.6.1 Python的安装和运行
1.6.2 人工智能开发库的安装
1.6.3 Python集成开发环境
1.6.4 Anaconda
本章小结
课后习题
第2章 Python基础
2.1 基本语法
2.1.1 对象及其类型
2.1.2 变量和赋值
2.1.3 运算符和表达式
2.1.4 字符串
2.1.5 流程控制
2.2 组合数据类型
2.2.1 列表（list）
2.2.2 元组（tuple）
2.2.3 字典（dict）
2.2.4 集合（set和frozenset）
2.3 函数
2.3.1 函数的定义和调用
2.3.2 匿名函数与lambda关键字
2.4 异常处理和文件操作
2.4.1 异常处理
2.4.2 文件处理的一般过程
2.4.3 文件的写操作
2.4.4 文件的读操作
2.5 面向对象程序设计
2.5.1 类和对象
2.5.2 类的继承
2.6 数值计算库NumPy
2.6.1 NumPy多维数组
2.6.2 NumPy数组的索引和切片
2.6.3 NumPy数组的运算
2.6.4 NumPy数组的读写操作
2.6.5 NumPy中的数据统计与分析
本章小结
课后习题
第3章 线性回归及其Python实现
3.1 线性回归问题简介
3.2 单变量线性回归问题
3.3 基于scikit-learn库求解单变量线性回归
3.3.1 scikit-learn库的LinearRegression类说明
3.3.2 求解步骤与编程实现
3.3.3 基于scikit-learn库的模型评价
3.4 基于最小二乘法的自定义求解单变量线性回归
3.4.1 使用导数法求解
3.4.2 使用矩阵法求解
3.5 基于梯度下降法的自定义求解单变量线性回归
3.5.1 简单二次函数的梯度下降法求极值
3.5.2 批量梯度下降法
3.5.3 随机梯度下降法
3.6 多变量线性回归问题
3.6.1 基于scikit-learn库求解
3.6.2 基于最小二乘法自定义求解
3.6.3 基于梯度下降法自定义求解
3.6.4 数据归一化问题
3.6.5 高阶拟合问题
本章小结
课后习题
第4章 逻辑斯蒂分类及其Python实现
4.1 逻辑斯蒂分类简介
4.2 二分类逻辑斯蒂分类问题
4.3 基于scikit-learn库求解二分类逻辑斯蒂分类问题
4.3.1 scikit-learn库的LogisticRegression类说明
4.3.2 求解步骤与编程实现
4.4 基于梯度下降法求解二分类逻辑斯蒂分类
4.4.1 确定优化目标
4.4.2 梯度计算
4.4.3 Python编程实现
4.5 分类模型的评价
4.5.1 分类模型的评价方法
4.5.2 正确率、精准率、召回率和F1指数
4.5.3 ROC曲线
4.6 非线性分类问题
4.6.1 非线性分类问题的提出与分析
4.6.2 基于scikit-learn库的求解实现
4.7 正则化问题
4.7.1 正则化问题的提出与分析
4.7.2 正则化问题的求解实现
4.8 多分类逻辑斯蒂分类
4.8.1 问题提出与分析
4.8.2 基于scikit-learn库的求解实现
4.8.3 基于梯度下降法的自定义求解实现
本章小结
课后习题
第5章 最大熵模型及其Python实现
5.1 最大熵模型简介
5.2 最大熵模型定义与对偶形式
5.2.1 最大熵模型的定义
5.2.2 最大熵模型的对偶形式
5.2.3 最大熵模型的应用举例
5.2.4 最大熵模型与Softmax分类器
5.3 最大熵模型的优化算法及Python实现
5.3.1 通用迭代尺度算法
5.3.2 基于GIS算法的最大熵模型的Python实现
5.3.3 改进的迭代尺度算法
5.3.4 基于IIS算法的最大熵模型的Python实现
5.4 熵相关指标总结
本章小结
课后习题
第6章 K-近邻分类与K-均值聚类及其Python实现
6.1 “近邻”与分类和聚类
6.2 K-近邻分类
6.2.1 K-近邻分类的定义
6.2.2 自定义程序实现K-近邻分类算法
6.2.3 K-近邻分类模型的3个基本要素
6.2.4 基于scikit-learn库实现K-近邻分类算法
6.2.5 K-近邻分类算法的优缺点分析
6.3 K-均值聚类
6.3.1 K-均值聚类算法的定义
6.3.2 自定义程序实现K-均值聚类算法
6.3.3 基于scikit-learn库实现K-均值聚类算法
本章小结
课后习题
第7章 朴素贝叶斯分类及其Python实现
7.1 贝叶斯分类简介
7.2 朴素贝叶斯分类的定义、推导与建模
7.2.1 定义与推导
7.2.2 对房屋是否好卖预测案例的建模与计算
7.3 自定义程序实现朴素贝叶斯分类
7.3.1 建立特征矩阵
7.3.2