目 录__eol__第1章 绪论 1__eol__1.1 什么是人工智能 1__eol__1.2 人工智能发展历程 2__eol__1.3 人工智能的重要概念 2__eol__1.3.1 智能代理 2__eol__1.3.2 与外部环境特性相关的重要术语 3__eol__1.4 人工智能发展现状 4__eol__1.4.1 应用领域 5__eol__1.4.2 应用层次 7__eol__1.4.3 发展趋势 8__eol__1.5 人工智能相关技术 8__eol__第2章 Python 16__eol__2.1 Python概述 16__eol__2.1.1 发展历史 16__eol__2.1.2 应用领域 19__eol__2.2 常用数据类型 19__eol__2.2.1 Number类型 20__eol__2.2.2 String类型 21__eol__2.2.3 Sequence类型簇 21__eol__2.2.4 Tuple类型 22__eol__2.2.5 List类型 22__eol__2.2.6 Set类型 23__eol__2.2.7 Dictionary类型 23__eol__2.2.8 其他类型 25__eol__2.2.9 数字类型转换 26__eol__2.3 流程控制 26__eol__2.3.1 程序块与作用域 26__eol__2.3.2 条件语句 29__eol__2.3.3 循环语句 30__eol__2.4 函数 32__eol__2.4.1 定义与调用 32__eol__2.4.2 变长参数 36__eol__2.4.3 匿名函数 37__eol__2.5 异常 38__eol__2.6 数据结构与算法 43__eol__2.6.1 常用的数据结构 43__eol__2.6.2 常用的算法 46__eol__第3章 机器学习 52__eol__3.1 机器学习常用算法 52__eol__3.1.1 决策树 52__eol__3.1.2 SVM 55__eol__3.1.3 K近邻 56__eol__3.1.4 K均值 58__eol__3.1.5 马尔可夫链 58__eol__3.2 卷积神经网络 59__eol__3.2.1 基本概念 59__eol__3.2.2 发展历史 59__eol__3.2.3 基本原理 60__eol__3.3 循环神经网络 60__eol__3.3.1 基本概念 60__eol__3.3.2 Hopfield神经网络 61__eol__3.3.3 玻尔兹曼机 62__eol__3.3.4 受限玻尔兹曼机 62__eol__第4章 人工智能背景下的融合时空信息和用户信任度的推荐算法研究 64__eol__4.1 概述 64__eol__4.2 相关技术及理论 67__eol__4.2.1 推荐算法 67__eol__4.2.2 相似度计算 70__eol__4.2.3 推荐系统评测 71__eol__4.3 基于路网的Meeting模式发现算法 72__eol__4.3.1 引言 72__eol__4.3.2 轨迹预处理 74__eol__4.3.3 相似轨迹段查询 76__eol__4.3.4 轨迹段划分 78__eol__4.3.5 轨迹段距离计算 78__eol__4.3.6 时间过滤 79__eol__4.3.7 Meeting模式发现算法 80__eol__4.3.8 实验与分析 81__eol__4.4 时间约束的频繁模式发现算法 84__eol__4.4.1 引言 84__eol__4.4.2 热点区域发现 85__eol__4.4.3 频繁模式发现 87__eol__4.4.4 频繁模式发现算法 89__eol__4.4.5 实验与分析 91__eol__4.5 移动对象运动模式发现原型系统设计与实现 94__eol__4.5.1 系统结构设计 94__eol__4.5.2 系统实现 95__eol__4.6 总结 96__eol__第5章 基于人工智能的疲劳驾驶自动检测 97__eol__5.1 概述 97__eol__5.2 传统疲劳驾驶检测技术 100__eol__5.2.1 基于行车数据的检测技术 100__eol__5.2.2 基于生理指标的检测技术 100__eol__5.2.3 基于机器视觉的检测技术 101__eol__5.3 基于MTCNN的疲劳驾驶自动检测 101__eol__5.3.1 检测原理 101__eol__5.3.2 检测模型 103__eol__5.3.3 实验 106__eol__5.4 总结 107__eol__第6章 基于机器学习和舆情预测的新冠肺炎疫情分析 108__eol__6.1 概述 108__eol__6.2 传播模式 108__eol__6.2.1 自然传播阶段 108__eol__6.2.2 干预后传播阶段 109__eol__6.3 加入舆情预测后的预测模型 110__eol__6.4 总结 113__eol__第7章 基于人工智能的点头和摇头人脸表情研究 115__eol__7.1 概述 115__eol__7.2 相关技术和理论 115__eol__7.2.1 确定参考点 115__eol__7.2.2 点头和摇头的侦测算法 116__eol__7.3 实验分析 118__eol__7.4 基于点头和摇头的表情研究 119__eol__7.5 总结 120__eol__第8章 基于DNN的树莓派人脸识别系统架构设计 121__eol__8.1 概述 121__eol__8.2 树莓派系统配置 123__eol__8.2.1 硬件部分 124__eol__8.2.2 软件部分 124__eol__8.3 非云端架构设计 125__eol__8.4 云端架构设计 128__eol__8.5 总结 129__eol__第9章 基于人工智能的膳食分析及个性化推荐系统研究 130__eol__9.1 概述 130__eol__9.2 相关技术及理论 133__eol__9.2.1 粗糙集理论 133__eol__9.2.2 个性化推荐算法 134__eol__9.2.3 Android平台 136__eol__9.3 基于粗糙集理论的膳食分析及个性化推荐模型 138__eol__9.3.1 膳食本体 138__eol__9.3.2 用户模型 141__eol__9.3.3 基于粗糙集理论的个性化推荐模型 143__eol__9.3.4 实例分析 149__eol__9.4 膳食分析及个性化推荐系统需求分析与总体设计 151__eol__9.4.1 需求分析 151__eol__9.4.2 可行性分析 152__eol__9.4.3 总体设计 153__eol__9.5 总结 156__eol__第10章 基于深度学习的情绪感知研究 158__eol__10.1 概述 158__eol__10.2 相关技术及理论 162__eol__10.2.1 人脸识别流程 162__eol__10.2.2 技术原理 162__eol__10.3 表情识别的实现原理 164__eol__10.3.1 识别流程 164__eol__10.3.2 技术原理 165__eol__10.4 传统的人脸与表情识别方法 165__eol__10.5 基于深度学习的人脸与表情识别方法 166__eol__10.5.1 使用深度卷积神经网络模型 166__eol__10.5.2 使用DNN进行分类输出 168__eol__10.5.3 使用树莓派作为采集终端 169__eol__10.6 情绪感知原理 169__eol__10.7 前期准备 170__eol__10.7.1 平台的选择 170__eol__10.7.2 环境的搭建 172__eol__10.7.3 TensorFlow和Keras的安装 173__eol__10.7.4 OpenCV的安装 175__eol__10.7.5 模型的训练 175__eol__10.8 识别过程与结果 177__eol__10.8.1 人脸与表情识别过程 177__eol__10.8.2 人脸与表情识别结果 179__eol__10.8.3 情绪感知识别结果 182__eol__10.9 总结 187__eol__第11章 基于人工智能的烟煤太赫兹光谱特性研究 188__eol__11.1 概述 188__eol__11.2 实验 189__eol__11.2.1 实验系统 189__eol__11.2.2 实验样本 189__eol__11.2.3 实验方案与数据处理方法 190__eol__11.3 结果与讨论 191__eol__11.3.1 烟煤的太赫兹时域/频域光谱 191__eol__11.3.2 烟煤的太赫兹光谱吸收特性分析 191__eol__11.4 总结 193