人工智能是一门研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的新的技术科学，涉及机器人、语音识别、图像识别、自然语言处理和专家系统等方面。本书第1章主要讲解了人工智能的重要概念、发展现状和相关技术等，为下文进一步研究人工智能打基础；第2章对人工智能目前主要用到的Python进行了简单的介绍，有利于下文程序的编写；第3章介绍了机器学习，主要对机器学习的常用算法、卷积神经网络和循环神经网络进行了深入的阐释；第4～11章详细讲解了8个人工智能应用案例。本书特色鲜明、内容易读易学，适合作为相关专业的大学生，以及不具有人工智能研究背景，但是想要快速补充人工智能知识，以便在实际产品或平台中应用的工程师等人员的参考书。

本书的写作目的是，在人工智能、大数据、云计算、区块链等技术迅猛发展的今天，为广大读者提供一本侧重理论知识的人工智能书籍。本书通过8个人工智能应用案例，深入浅出地讲解了人工智能是如何应用到各个领域，并在其中发挥怎样的关键作用的，并针对一些出现的问题提出了一些可行的解决方法。 本书第1～3章介绍了人工智能涉及的理论基础知识，第4～11章介绍了人工智能应用案例。 案例一是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。首先，本案例提出的算法比传统的基于模型的协同过滤推荐算法有更好的准确率和召回率。其次，本案例根据社交网络中的用户好友的信任度在很大程度上能对用户的喜好产生影响的特点，利用用户的手机通信情况计算用户对直接好友及间接好友的信任度，形成了信任度矩阵，然后在数据集上实验该矩阵。 案例二是基于人工智能的疲劳驾驶自动检测。本案例基于TensorFlow框架，首先调用了Dlib进行人脸的检测和标定，并在流程中引入了MTCNN方法提高了人脸识别的准确度；然后根据眼部纵横比理论，使用Python编写了眼部动作的视觉判别方法，并提出了根据嘴部纵横比判别嘴部动作的方法；最后提出了基于深度学习的疲劳驾驶检测方法。 案例三是基于机器学习和舆情预测的新冠肺炎疫情分析。本案例通过机器学习对2020年暴发的新冠肺炎确诊人数趋势进行了预测，并根据有关部门发布的数据预测了疫情拐点出现的时间，对比了各省预计最终确诊人数所占比例，以此为依据大致划分了疫情的严重程度，对各省市人民的疫情防护工作有指导意义。 案例四是基于人工智能的点头和摇头人脸表情研究。点头和摇头通常伴随着脸部其他器官的运动，因此点头和摇头一般会表现出各种各样的社交情绪。本案例利用Dlib和OpenCv检测面部标志的68个坐标，研究了点头和摇头的人脸表情。 案例五是基于DNN的树莓派人脸识别系统架构设计。本案例提出了一个架构，该架构能够让使用者在不同的数据量中，有效地开发人脸识别系统。本案例还对人脸识别中的人脸筛选、人脸伪装、训练时机及训练样本的动态调整进行了分析，给出了可行的解决方案，特别是人脸筛选规则的设计，减少了不必要的训练。 案例六是基于人工智能的膳食分析及个性化推荐系统研究。本案例把粗糙集引入膳食个性化推荐系统，利用粗糙集的属性约简法，计算出关键属性，从而避免冗余属性的干扰。本案例建立了膳食本体和用户模型，其中用户模型包含用户兴趣模型，个性化推荐系统通过计算用户基本信息相似度和用户兴趣相似度，得出用户相似度，并把相似度最高的5位用户最近采纳的膳食作为推荐结果。 案例七是基于深度学习的情绪感知研究。本案例实现了一种基于深度学习的树莓派人脸与表情识别系统，提出了一种情绪感知方法。本案例利用人脸识别和表情识别结果，对30个测试者在?10?个话题下的表情识别的数据进行序列化分析，采用Apriori算法对Happy、Amazing、Angry、Neutral?4种表情占比和情绪之间的关联性进行分析，得出了4条关联规则。 案例八是基于人工智能的烟煤太赫兹光谱特性研究。本案例选取国内7种常见的烟煤作为研究对象，获取了烟煤的吸收谱和折射率谱，分析了烟煤的灰分、挥发分和变质程度等因素对其太赫兹频段吸收特性和折射特性的影响，揭示了烟煤的太赫兹频段吸收和折射特性的变化规律并探索了相关机理，指出了烟煤变质程度和灰分含量是影响其太赫兹频段物理特性的主要因素，并利用支持向量机实现了烟煤的准确分类，提出了一种利用太赫兹光谱技术表征烟煤种类差异的方法。 本书的出版得到了江苏建筑职业技术学院、徐州淮海服务外包职教集团的大力资助，还得到了江苏建筑职业技术学院信电工程学院吴兆立院长、梁晓弘副院长、董爱民主任、王昕博士的大力支持，以及秦健老师、徐婷同学、黄佳同学、侯洽莹同学的技术支持，在此表示感谢。

目 录 第1章 绪论 1 1.1 什么是人工智能 1 1.2 人工智能发展历程 2 1.3 人工智能的重要概念 2 1.3.1 智能代理 2 1.3.2 与外部环境特性相关的重要术语 3 1.4 人工智能发展现状 4 1.4.1 应用领域 5 1.4.2 应用层次 7 1.4.3 发展趋势 8 1.5 人工智能相关技术 8 第2章 Python 16 2.1 Python概述 16 2.1.1 发展历史 16 2.1.2 应用领域 19 2.2 常用数据类型 19 2.2.1 Number类型 20 2.2.2 String类型 21 2.2.3 Sequence类型簇 21 2.2.4 Tuple类型 22 2.2.5 List类型 22 2.2.6 Set类型 23 2.2.7 Dictionary类型 23 2.2.8 其他类型 25 2.2.9 数字类型转换 26 2.3 流程控制 26 2.3.1 程序块与作用域 26 2.3.2 条件语句 29 2.3.3 循环语句 30 2.4 函数 32 2.4.1 定义与调用 32 2.4.2 变长参数 36 2.4.3 匿名函数 37 2.5 异常 38 2.6 数据结构与算法 43 2.6.1 常用的数据结构 43 2.6.2 常用的算法 46 第3章 机器学习 52 3.1 机器学习常用算法 52 3.1.1 决策树 52 3.1.2 SVM 55 3.1.3 K近邻 56 3.1.4 K均值 58 3.1.5 马尔可夫链 58 3.2 卷积神经网络 59 3.2.1 基本概念 59 3.2.2 发展历史 59 3.2.3 基本原理 60 3.3 循环神经网络 60 3.3.1 基本概念 60 3.3.2 Hopfield神经网络 61 3.3.3 玻尔兹曼机 62 3.3.4 受限玻尔兹曼机 62 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 4.1 概述 64 4.2 相关技术及理论 67 4.2.1 推荐算法 67 4.2.2 相似度计算 70 4.2.3 推荐系统评测 71 4.3 基于路网的Meeting模式发现算法 72 4.3.1 引言 72 4.3.2 轨迹预处理 74 4.3.3 相似轨迹段查询 76 4.3.4 轨迹段划分 78 4.3.5 轨迹段距离计算 78 4.3.6 时间过滤 79 4.3.7 Meeting模式发现算法 80 4.3.8 实验与分析 81 4.4 时间约束的频繁模式发现算法 84 4.4.1 引言 84 4.4.2 热点区域发现 85 4.4.3 频繁模式发现 87 4.4.4 频繁模式发现算法 89 4.4.5 实验与分析 91 4.5 移动对象运动模式发现原型系统设计与实现 94 4.5.1 系统结构设计 94 4.5.2 系统实现 95 4.6 总结 96 第5章 基于人工智能的疲劳驾驶自动检测 97 5.1 概述 97 5.2 传统疲劳驾驶检测技术 100 5.2.1 基于行车数据的检测技术 100 5.2.2 基于生理指标的检测技术 100 5.2.3 基于机器视觉的检测技术 101 5.3 基于MTCNN的疲劳驾驶自动检测 101 5.3.1 检测原理 101 5.3.2 检测模型 103 5.3.3 实验 106 5.4 总结 107 第6章 基于机器学习和舆情预测的新冠肺炎疫情分析 108 6.1 概述 108 6.2 传播模式 108 6.2.1 自然传播阶段 108 6.2.2 干预后传播阶段 109 6.3 加入舆情预测后的预测模型 110 6.4 总结 113 第7章 基于人工智能的点头和摇头人脸表情研究 115 7.1 概述 115 7.2 相关技术和理论 115 7.2.1 确定参考点 115 7.2.2 点头和摇头的侦测算法 116 7.3 实验分析 118 7.4 基于点头和摇头的表情研究 119 7.5 总结 120 第8章 基于DNN的树莓派人脸识别系统架构设计 121 8.1 概述 121 8.2 树莓派系统配置 123 8.2.1 硬件部分 124 8.2.2 软件部分 124 8.3 非云端架构设计 125 8.4 云端架构设计 128 8.5 总结 129 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 9.1 概述 130 9.2 相关技术及理论 133 9.2.1 粗糙集理论 133 9.2.2 个性化推荐算法 134 9.2.3 Android平台 136 9.3 基于粗糙集理论的膳食分析及个性化推荐模型 138 9.3.1 膳食本体 138 9.3.2 用户模型 141 9.3.3 基于粗糙集理论的个性化推荐模型 143 9.3.4 实例分析 149 9.4 膳食分析及个性化推荐系统需求分析与总体设计 151 9.4.1 需求分析 151 9.4.2 可行性分析 152 9.4.3 总体设计 153 9.5 总结 156 第10章 基于深度学习的情绪感知研究 158 10.1 概述 158 10.2 相关技术及理论 162 10.2.1 人脸识别流程 162 10.2.2 技术原理 162 10.3 表情识别的实现原理 164 10.3.1 识别流程 164 10.3.2 技术原理 165 10.4 传统的人脸与表情识别方法 165 10.5 基于深度学习的人脸与表情识别方法 166 10.5.1 使用深度卷积神经网络模型 166 10.5.2 使用DNN进行分类输出 168 10.5.3 使用树莓派作为采集终端 169 10.6 情绪感知原理 169 10.7 前期准备 170 10.7.1 平台的选择 170 10.7.2 环境的搭建 172 10.7.3 TensorFlow和Keras的安装 173 10.7.4 OpenCV的安装 175 10.7.5 模型的训练 175 10.8 识别过程与结果 177 10.8.1 人脸与表情识别过程 177 10.8.2 人脸与表情识别结果 179 10.8.3 情绪感知识别结果 182 10.9 总结 187 第11章 基于人工智能的烟煤太赫兹光谱特性研究 188 11.1 概述 188 11.2 实验 189 11.2.1 实验系统 189 11.2.2 实验样本 189 11.2.3 实验方案与数据处理方法 190 11.3 结果与讨论 191 11.3.1 烟煤的太赫兹时域/频域光谱 191 11.3.2 烟煤的太赫兹光谱吸收特性分析 191 11.4 总结 193