●第1章人工智能的基礎
1.1由數學建模走進人工智能
1.1.1數學建模
1.1.2人工智能背後的數學
1.2為何用Python
1.2.1選擇Python的原因
1.2.2Python的優勢
1.2.3Python的安裝
1.2.4使用pip安裝第三方庫
1.2.5Python的變量
1.3第一個小程序
1.4剖析程序
1.5NumPy入門
1.5.1NumPy的用法
1.5.2廣播
1.5.3向量化與“升維”
1.5.4NumPy的應用思想
第2章人工智能背景下的科學計算
2.1Pandas科學計算庫
2.1.1初識Pandas
2.1.2Pandas的相關操作
2.2Matplotlib可視化庫
2.2.1初識Matplotlib
2.2.2Matplotlib經典應用
2.3SciPy科學計算庫
2.3.1初識SciPy
2.3.2SciPy經典應用
第3章人工神經網絡
3.1人工神經網絡的概念
3.1.
3.1.2人工神經網絡的基本特征
3.2神經激活函數
3.2.1線性激活函數
3.2.2Sigmoid激活函數
3.2.3雙曲正切激活函數
3.2.4修正線性激活函數
3.2.5PReLU激活函數
3.2.6softmax激活函數
3.3反向傳播
3.4卷積神經網絡
3.5循環神經網絡
3.5.1普通循環神經網絡
3.5.2長短期
3.6生成對抗網絡
3.7強化學習
3.7.1Q學習
3.7.2Q學習經典應用
3.7.3深度Q學習
3.7.4形式化損失函數
3.7.5深度雙Q學習
3.7.6深度Q學習的經典應用
3.8受限玻爾茲曼機
3.8.1RBM的架構
3.8.2RBM的經典實現
3.9自編碼器
3.9.1自編碼器的架構
3.9.2自編碼器的經典實現
第4章遷移學習
4.1遷移學習概述
4.2VGG16實現圖像風格轉移
4.3糖尿病性視網膜病變檢測
4.3.1病變數據集
4.3.2損失函數定義
4.3.3類別不平衡問題
4.3.4預處理
4.3.5仿射變換產生額外數據
4.3.6網絡架構
4.3.7優化器與交叉驗證
4.3.8Python實現
第5章網絡爬蟲
5.1初識爬蟲
5.2爬蟲入門
5.2.1入門基礎
5.2.2爬蟲實戰
5.3高效率爬蟲
5.3.1多進程
5.3.2多線程
5.3.3協程
5.4利用Scrapy實現爬蟲
5.4.1安裝Scrapy
5.4.2爬取招聘信息
第6章智能數據分析
6.1數據獲取
6.1.1從鍵盤獲取
6.1.2讀取與寫入
6.1.3Pandas讀寫操作
6.2枚舉算法
6.2.1枚舉定義
6.2.2枚舉特點
6.2.3枚舉經典應用
6.3遞推問題
6.4模擬問題
6.5邏輯推理問題
6.6排序問題
6.6.1冒泡排序
6.6.2選擇排序
6.6.3桶排序
6.6.4插入排序
6.6.5快速排序
6.6.6歸並排序
6.6.7堆排序
6.7二分查找
6.8勾股樹
6.9數據分析經典案例
第7章機器學習
7.1K-Means聚類算法
7.1.1K-Means聚類算法概述
7.1.2目標函數
7.1.3K-Means聚類算法流程
7.1.4K-Means聚類算法的優缺點
7.1.5K-Means聚類算法經典應用
7.2kNN算法
7.2.1kNN算法基本思想
7.2.2kNN算法的重點
7.2.3kNN算法經典應用
7.3樸素貝葉斯算法
7.3.1貝葉斯定理
7.3.2樸素貝葉斯分類原理
7.3.3樸素貝葉斯分類流程圖
7.3.4樸素貝葉斯算法的優缺點
7.3.5樸素貝葉斯算法經典應用
7.4廣義線性模型
7.4.1線性模型
7.4.2線性回歸
7.4.3嶺回歸
7.4.4套索回歸
7.4.5彈性網絡回歸
7.5決策樹算法
7.5.1決策樹算法概述
7.5.2經典算法
7.5.3決策樹算法經典應用
7.6隨機森林
7.6.1隨機森林概述
7.6.2隨機森林的構建
7.6.3隨機森林的優勢與不足
7.7支持向量機
7.7.1分類間隔
7.7.2函數間距
7.7.3幾何間距
7.7.4核函數
7.7.5支持向量機核函數的實現
7.7.6核函數與參數選擇
7.8數據預處理
7.9數據降維
7.10智能推薦繫統
7.10.1推薦問題的描述
7.10.2協同過濾算法
7.10.3協同過濾算法的實現
第8章智能模型分析
8.1數據表達
8.2數據升維
8.3模型評估
8.4優化模型參數
8.5可信度評估
8.6管道模型
8.7選擇和參數調優
第9章人工智能的應用
9.1機器翻譯
9.1.1神經機器翻譯
9.1.2實現英譯德
9.2機器語音識別
9.2.1CTC算法概念
9.2.2RNN+CTC模型的訓練
9.2.3利用CTC實現語音識別
9.3利用OpenCV實現人臉識別
9.3.1人臉檢測
9.3.2檢測視頻的人臉
……
