书籍:python人工智能项目 Intelligent Projects Using Python - 2019
简介
实施机器学习和深度学习方法，使用Python构建智能，认知AI项目
主要特点 - 帮助您掌握AI算法和概念的入门指南 - 8个实际项目，解决医疗保健，电子商务和监控方面的各种挑战 - 使用TensorFlow，Keras和其他Python库来实现智能AI应用程序
图书说明
如果您想使用Python从领先的AI域构建富有洞察力的项目，本书将是一个完美的伴侣。
本书涵盖了AI所有核心学科项目的详细实施。我们首先介绍如何使用机器学习和深度学习技术创建智能系统的基础知识。您将吸收各种神经网络架构，如CNN，RNN，LSTM，以解决关键的新世界挑战。您将学习如何训练模型以检测人眼中的糖尿病视网膜病变状况，并创建用于执行视频到文本翻译的智能系统。您将在医疗保健领域中使用转移学习技术，并使用GAN实施样式转移。稍后您将学习构建基于AI的推荐系统，用于情感分析的移动应用程序以及用于承载客户服务的强大聊天机器人。您将在网络安全域中实施AI技术以生成Captchas。之后，您将使用强化学习训练和建造自动驾驶车辆以进行自驾车。您将使用来自Python生态系统的库（如TensorFlow，Keras等）来实现机器学习，深度学习和AI的核心方面。
在本书的最后，您将熟练地构建自己的智能模型，以解决任何类型的AI问题，而不会有任何麻烦。
- Format Pdf
- Page Count 434 Pages
- https://github.com/PacktPublishing/Intelligent-Projects-using-Python 2019-04 7+星
你会学到什么
•使用seq-2-seq神经翻译机构建智能机器翻译系统 •使用GAN创建AI应用程序并使用TensorFlow部署智能移动应用程序 •使用CNN和RNN将视频翻译成文本 •实施智能AI聊天机器人，并在多个域中集成和扩展它们 •使用Q-Learning创建智能强化，基于学习的应用程序 •使用深度学习和对抗性学习打破并生成CAPTCHA
读者
本书面向准备在AI中扩展知识和潜力的数据科学家，机器学习专业人员和深度学习从业者。如果您想构建真实的智能系统以在每个复杂的领域中发挥关键作用，那么本书就是您所需要的。了解Python编程以及熟悉基本的机器学习和深度学习概念，可以帮助您充分利用本书。
书籍:python人工智能项目入门 Python Artificial Intelligence Projects for Beginners - 2018.pdf
简介
通过实施真实的人工智能项目来构建智能应用程序
主要特点
- 使用Python探索各种AI项目
- 精通不同类型的神经网络和流行的深度学习算法
- 为您的AI项目利用流行的Python深度学习库
图书说明
人工智能（AI）是各种业务，行业和行业中使用的最新技术。用于初学者的Python人工智能项目演示了Python中的AI项目，涵盖了构成人工智能世界的现代技术。
本书首先帮助您使用流行的Python库scikit-learn构建您的第一个预测模型。您将了解如何使用有效的机器学习技术，随机林和决策树来构建分类器。通过激动人心的项目预测鸟类，分析学生表现数据，歌曲类型识别和垃圾邮件检测，您将学习促进这些智能应用程序开发的基础知识和各种算法和技术。在最后的章节中，您还将在Keras库的帮助下通过这些项目了解深度学习和神经网络机制。
在本书的最后，您将有信心使用Python构建自己的AI项目，随时准备在您进行更多高级项目时
参考资料
- Format Pdf
- Page Count 177 Pages
- https://github.com/PacktPublishing/Python-Artificial-Intelligence-Projects-for-Beginners 2019-04 32+星
你会学到什么
- 使用决策树和随机森林构建预测模型
- 使用神经网络，决策树和随机森林进行分类
- 使用词袋和随机森林检测YouTube评论垃圾邮件
- 用卷积神经网络识别手写的数学符号
- 修改鸟类物种标识符以使用图像
- 学习如何检测用户评论中的积极和消极情绪
面向读者
适用于初学者的Python人工智能项目适用于希望使用易于跟踪的项目迈出人工智能世界的第一步的Python开发人员。期望Python编程的基本工作知识，以便您能够使用代码
目录
- 建立自己的预测模型
- 随机森林预测
- 申请评论分类
- 神经网络
- 深度学习
书籍:Python强化学习项目 Python Reinforcement Learning Projects - 2018.pdf
简介
使用Python及其强大的库实现最先进的深度强化学习算法强化学习是机器学习中最令人兴奋和快速发展的领域之一。这是由于近年来发展的许多新算法和令人难以置信的结果。
在本书中，您将了解RL的核心概念，包括Q学习，策略渐变，蒙特卡罗过程以及几种深度强化学习算法。当您完成本书时，您将使用各种模态的数据集（包括图像，文本和视频）处理项目。您将获得多个领域的经验，包括游戏，图像处理和物理模拟。您将探索TensorFlow和OpenAI Gym等技术，以实施深度学习强化学习算法，该算法还可以预测股票价格，生成自然语言，甚至构建其他神经网络。
在本书的最后，您将获得八个强化学习项目的实践经验，每个项目都涉及不同的主题和/或算法。我们希望这些实践练习能为您提供更好的直觉和洞察强化学习领域，以及如何将其算法应用于现实生活中的各种问题
参考资料
- Format Pdf
- Page Count 380 Pages
- Python-Reinforcement-Learning-Projects 2019-04 16+星
你会学到什么
- 训练和评估使用TensorFlow for RL构建的神经网络
- 在Python和TensorFlow中使用RL算法来解决CartPole平衡问题
- 创建深度强化学习算法来玩Atari游戏
- 使用OpenAI Universe部署RL算法
- 开发聊天机器人
- 实现基本的演员评论算法以实现连续控制
- 将先进的深度RL算法应用于Minecraft等游戏
- 使用RL自动生成图像分类器
书籍:Python深度学习项目 Python Deep Learning Projects - 2018.Pdf
简介
Python深度学习项目
使用Python和Keras掌握深度学习和神经网络架构的富有洞察力的项目
主要特点
- 探索跨计算机视觉，自然语言处理（NLP）和图像处理的深度学习
- 探索深度神经网络及其部署培训的最佳实践
- 访问流行的深度学习模型以及广泛使用的神经网络架构
图书说明
深度学习已逐渐彻底改变人工智能的各个领域，使应用程序开发更容易。
Python深度学习项目提供了在计算语言学和计算机视觉领域实现复杂深度学习项目所需的所有知识。这些项目中的每一个都是独一无二的，可帮助您逐步掌握主题。您将学习如何使用递归神经网络（RNN）模型实现文本分类器系统并对其进行优化，以了解在实施简单深度学习系统时可能遇到的缺点。
同样，您将发现如何使用seq-to-seq模型和语言建模开发各种项目，包括单词矢量表示，开放域问题解答和构建聊天机器人。除此之外，您还将通过一系列引人入胜的项目涵盖高级概念，例如正则化，梯度限幅，梯度归一化和双向RNN。
在本书的最后，您将获得以直接的方式和有效的方式开发自己的深度学习系统的知识
参考资料
- Format Pdf
- Page Count 380 Pages
- https://github.com/PacktPublishing/Python-Deep-Learning-Projects 2019-04 40+星
你会学到什么
- 在Amazon Web Services（AWS）上设置深度学习开发环境
- 应用基于GPU的实例以及深度学习AMI
- 实现seq-to-seq网络，用于建模自然语言处理（NLP）
- 开发端到端语音识别系统
- 构建用于图像的逐像素语义标记的系统
- 创建一个生成图像及其区域的系统
这本书读者
如果您想深入了解深度学习，数据科学和人工智能，Python深度学习项目适合您。本书也适合那些想要深入学习并开发自己的AI项目的人。
假设您对Python编程有充分的了解
目录
- 建立深度学习环境
- 用回归训练神经网络进行预测
- 单词矢量表示使用Word2VEC（skip-gram）进行单词预测
- 构建开放域问答的NLP管道
- 用于构建聊天机器人的序列到序列模型
- 使用Bi-LSTM进行内容创建的生成语言建模
- 使用DeepSpeech2构建语音识别
- 使用ConvNets进行手写数字分类
- 使用OpenCV和TensorFlow进行实时对象检测
- 使用OpenFace和群集构建人脸识别
- 使用NeuralTalk模型自动化图像标题
- 使用ConvNets对3D模型进行姿态估计
- 使用GAN进行样式转换的图像翻译
- 培养具有深度强化学习能力的机器人
- 深度学习职业生涯的总结和后续步骤
书籍:Python AI项目实战 Practical Python AI Projects - 2018.pdf
简介
使用优化建模探索使用Python解决人工智能问题的艺术和科学。本书涵盖了数学代数模型的实际创建和分析，如线性连续模型，非明显线性连续模型，和纯线性整数模型。作为数十年行业教学和咨询的产品，Practical Python AI Projects不是专注于理论，而是强调模型创建方面;对比的替代方法和实际变化。
每个模型都经过彻底解释并编写执行。本书中所有示例的源代码都是可用的，使用Google OR-Tools以Python编写。它还包括一个随机问题生成器，可用于行业应用或研究。
参考资料
- Format Pdf
- Page Count 287 Pages
- https://github.com/sgkruk/Apress-AI 2019-04 15+星
你会学到什么
- 构建基于Python的基本人工智能（AI）应用程序
- 使用数学优化方法和Google OR-Tools（优化工具）套件
- 使用Python和Google OR-Tools创建几种类型的项目
这本书读者
已经具有Python编码经验的开发人员和学生。一些先前的数学经验是有帮助的。
