Python人工智能

目 录
第1章 人工智能的基础\t1
1．1 由数学建模走进人工智能\t1
1．1．1 数学建模\t1
1．1．2 人工智能背后的数学\t4
1．2 为何用Python\t12
1．2．1 选择Python的原因\t12
1．2．2 Python的优势\t13
1．2．3 Python的安装\t13
1．2．4 使用pip安装第三方库\t16
1．2．5 Python的变量\t17
1．3 第一个小程序\t18
1．4 剖析程序\t19
1．5 NumPy入门\t23
1．5．1 NumPy的用法\t23
1．5．2 广播\t27
1．5．3 向量化与“升维”\t28
1．5．4 NumPy的应用思想\t31
第2章 人工智能背景下的科学计算\t32
2．1 Pandas科学计算库\t32
2．1．1 初识Pandas\t32
2．1．2 Pandas的相关操作\t34
2．2 Matplotlib可视化库\t48
2．2．1 初识Matplotlib\t48
2．2．2 Matplotlib经典应用\t51
2．3 SciPy科学计算库\t54
2．3．1 初识SciPy\t54
2．3．2 SciPy经典应用\t55
第3章 人工神经网络\t62
3．1 人工神经网络的概念\t62
3．1．1 神经元\t62
3．1．2 人工神经网络的基本特征\t64
3．2 神经激活函数\t64
3．2．1 线性激活函数\t65
3．2．2 Sigmoid激活函数\t65
3．2．3 双曲正切激活函数\t67
3．2．4 修正线性激活函数\t68
3．2．5 PReLU激活函数\t70
3．2．6 softmax激活函数\t71
3．3 反向传播\t73
3．4 卷积神经网络\t79
3．5 循环神经网络\t85
3．5．1 普通循环神经网络\t85
3．5．2 长短期记忆单元\t89
3．6 生成对抗网络\t93
3．7 强化学习\t99
3．7．1 Q学习\t100
3．7．2 Q学习经典应用\t101
3．7．3 深度Q学习\t106
3．7．4 形式化损失函数\t106
3．7．5 深度双Q学习\t107
3．7．6 深度Q学习的经典应用\t108
3．8 受限玻尔兹曼机\t123
3．8．1 RBM的架构\t123
3．8．2 RBM的经典实现\t124
3．9 自编码器\t128
3．9．1 自编码器的架构\t128
3．9．2 自编码器的经典实现\t129
第4章 迁移学习\t134
4．1 迁移学习概述\t134
4．2 VGG16实现图像风格转移\t135
4．3 糖尿病性视网膜病变检测\t142
4．3．1 病变数据集\t142
4．3．2 损失函数定义\t143
4．3．3 类别不平衡问题\t143
4．3．4 预处理\t144
4．3．5 仿射变换产生额外数据\t145
4．3．6 网络架构\t147
4．3．7 优化器与交叉验证\t150
4．3．8 Python实现\t151
第5章 网络爬虫\t159
5．1 初识爬虫\t159
5．2 爬虫入门\t160
5．2．1 入门基础\t160
5．2．2 爬虫实战\t162
5．3 高效率爬虫\t167
5．3．1 多进程\t167
5．3．2 多线程\t169
5．3．3 协程\t172
5．4 利用Scrapy实现爬虫\t174
5．4．1 安装Scrapy\t174
5．4．2 爬取招聘信息\t176
第6章 智能数据分析\t182
6．1 数据获取\t182
6．1．1 从键盘获取\t182
6．1．2 读取与写入\t182
6．1．3 Pandas读写操作\t185
6．2 枚举算法\t187
6．2．1 枚举定义\t187
6．2．2 枚举特点\t187
6．2．3 枚举经典应用\t188
6．3 递推问题\t189
6．4 模拟问题\t191
6．5 逻辑推理问题\t193
6．6 排序问题\t195
6．6．1 冒泡排序\t195
6．6．2 选择排序\t196
6．6．3 桶排序\t198
6．6．4 插入排序\t200
6．6．5 快速排序\t201
6．6．6 归并排序\t203
6．6．7 堆排序\t205
6．7 二分查找\t207
6．8 勾股树\t210
6．9 数据分析经典案例\t212
第7章 机器学习\t221
7．1 K-Means聚类算法\t221
7．1．1 K-Means聚类算法概述\t222
7．1．2 目标函数\t222
7．1．3 K-Means聚类算法流程\t222
7．1．4 K-Means聚类算法的优缺点\t223
7．1．5 K-Means聚类算法经典应用\t224
7．2 kNN算法\t226
7．2．1 kNN算法基本思想\t226
7．2．2 kNN算法的重点\t227
7．2．3 kNN算法经典应用\t228
7．3 朴素贝叶斯算法\t238
7．3．1 贝叶斯定理\t239
7．3．2 朴素贝叶斯分类原理\t239
7．3．3 朴素贝叶斯分类流程图\t240
7．3．4 朴素贝叶斯算法的优缺点\t240
7．3．5 朴素贝叶斯算法经典应用\t240
7．4 广义线性模型\t245
7．4．1 线性模型\t245
7．4．2 线性回归\t251
7．4．3 岭回归\t253
7．4．4 套索回归\t258
7．4．5 弹性网络回归\t261
7．5 决策树算法\t264
7．5．1 决策树算法概述\t264
7．5．2 经典算法\t264
7．5．3 决策树算法经典应用\t269
7．6 随机森林\t273
7．6．1 随机森林概述\t273
7．6．2 随机森林的构建\t274
7．6．3 随机森林的优势与不足\t276
7．7 支持向量机\t277
7．7．1 分类间隔\t277
7．7．2 函数间距\t279
7．7．3 几何间距\t279
7．7．4 核函数\t281
7．7．5 支持向量机核函数的实现\t284
7．7．6 核函数与参数选择\t286
7．8 数据预处理\t289
7．9 数据降维\t294
7．10 智能推荐系统\t298
7．10．1 推荐问题的描述\t298
7．10．2 协同过滤算法\t298
7．10．3 协同过滤算法的实现\t299
第8章 智能模型分析\t303
8．1 数据表达\t303
8．2 数据升维\t308
8．3 模型评估\t314
8．4 优化模型参数\t318
8．5 可信度评估\t322
8．6 管道模型\t326
8．7 选择和参数调优\t330
第9章 人工智能的应用\t334
9．1 机器翻译\t334
9．1．1 神经机器翻译\t334
9．1．2 实现英译德\t338
9．2 机器语音识别\t344
9．2．1 CTC算法概念\t344
9．2．2 RNN+CTC模型的训练\t345
9．2．3 利用CTC实现语音识别\t347
9．3 利用OpenCV实现人脸识别\t352
9．3．1 人脸检测\t352
9．3．2 检测视频的人脸\t353
9．3．3 车牌检测\t354
9．3．4 目标检测\t355
9．4 GAN风格迁移\t357
9．4．1 DiscoGAN的工作原理\t357
9．4．2 CycleGAN的工作原理\t358
9．4．3 预处理图像\t358
9．4．4 DiscoGAN生成器\t360
9．4．5 DiscoGAN判别器\t362
9．4．6 网络构建和损失函数的定义\t363
9．4．7 构建训练过程\t366
9．4．8 启动训练\t369
9．5 利用OpenCV 实现风格迁移\t372
9．6 聊天机器人\t373
9．6．1 聊天机器人架构\t374
9．6．2 序列到序列模型\t375
9．6．3 建立序列到序列模型\t375
9．6．4 实现聊天机器人\t376
9．7 餐饮菜单推荐引擎\t383
参考文献\t390