●第1章人工智能入學指南
1.1AI時代優選Python
1.1.1Python的特點
1.1.2Python該怎麼學
1.2人工智能的核心——機器學習
1.2.1什麼是機器學習
1.2.2機器學習的流程
1.2.3機器學習該怎麼學
1.3環境配置
1.3.1Anaconda大禮包
1.3.2Jupyter Notebook
1.3.3上哪找資源
本章總結
第2章科學計算庫（Numpy）
2.1Numpy的基本操作
2.1.1Array數組
2.1.2數組特性
2.1.3數組屬性操作
2.2索引與切片
2.2.1數值索引
2.2.2bool索引
2.3數據類型與數值計算
2.3.1數據類型
2.3.2復制與賦值
2.3.3數值運算
2.3.4矩陣乘法
2.4常用功能模塊
2.4.1排序操作
2.4.2數組形狀操作
2.4.3數組的拼接
2.4.4創建數組函數
2.4.5隨機模塊
2.4.6文件讀寫
本章總結
第3章數據分析處理庫（Pandas）
3.1數據預處理
3.1.1數據讀取
3.1.2DataFrame結構
3.1.3數據索引
3.1.4創建DataFrame
3.1.5Series操作
3.2數據分析
3.2.1統計分析
3.2.2pivot數據透視表
3.2.3groupby操作
3.3常用函數操作
3.3.1Merge操作
3.3.2排序操作
3.3.3缺失值處理
3.3.4apply自定義函數
3.3.5時間操作
3.3.6繪圖操作
3.4大數據處理技巧
3.4.1數值類型轉換
3.4.2屬性類型轉換
本章總結
第4章數據可視化庫（Matplotlib）
4.1常規繪圖方法
4.1.1細節設置
4.1.2子圖與標注
4.1.3風格設置
4.2常用圖表繪制
4.2.1條形圖
4.2.2盒圖
4.2.3直方圖與散點圖
4.2.43D圖
4.2.5布局設置
本章總結
第5章回歸算法
5.1線性回歸算法
5.1.1線性回歸方程
5.1.2誤差項分析
5.1.3似然函數求解
5.1.4線性回歸求解
5.2梯度下降算法
5.2.1下山方向選擇
5.2.2梯度下降優化
5.2.3梯度下降策略對比
5.2.4學習率對結果的影響
5.3邏輯回歸算法
5.3.1原理推導
5.3.2邏輯回歸求解
本章總結
第6章邏輯回歸項目實戰——信用卡欺詐檢測
6.1數據分析與預處理
6.1.1數據讀取與分析
6.1.2樣本不均衡解決方案
6.1.3特征標準化
6.2下采樣方案
6.2.1交叉驗證
6.2.2模型評估方法
6.2.3正則化懲罰
6.3邏輯回歸模型
6.3.1參數對結果的影響
6.3.2混淆矩陣
6.3.3分類閾值對結果的影響
6.4過采樣方案
6.4.1SMOTE數據生成策略
6.4.2過采樣應用效果
項目總結
第7章決策樹
7.1決策樹原理
7.1.1決策樹的基本概念
7.1.2衡量標準
7.1.3信息增益
7.1.4決策樹構造實例
7.1.5連續值問題
7.1.6信息增益率
7.1.7回歸問題求解
7.2決策樹剪枝策略
7.2.1剪枝策略
7.2.2決策樹算法涉及參數
本章總結
第8章集成算法
8.1bagging算法
8.1.1並行的集成
8.1.2隨機森林
8.2boosting算法
8.2.1串行的集成
8.2.2Adaboost算法
8.3stacking模型
本章總結
第9章隨機森林項目實戰——氣溫預測
9.1隨機森林建模
9.1.1特征可視化與預處理
9.1.2隨機森林回歸模型
9.1.3樹模型可視化方法
9.1.4特征重要性
9.2數據與特征對結果影響分析
9.2.1特征工程
9.2.2數據量對結果影響分析
9.2.2特征數量對結果影響分析
9.3模型調參
9.3.1隨機參數選擇
9.3.2網絡參數搜索
項目總結
第10章特征工程
10.1數值特征
10.1.1字符串編碼
10.1.2二值與多項式特征
10.1.3連續值離散化
10.1.4對數與時間變換
10.2文本特征
10.2.1詞袋模型
10.2.2常用文本特征構造方法
10.3論文與benchmark
本章總結
第11章:貝葉斯算法項目實戰——新聞分類
11.1貝葉斯算法
11.1.1貝葉斯公式
11.1.2拼寫糾錯實例
11.1.3垃圾郵件分類
11.2新聞分類任務
11.2.1數據清洗
11.2.1TF-IDF關鍵詞提取
項目總結
第12章支持向量機
12.1支持向量機工作原理
12.1.1支持向量機要解決的問題
12.1.2距離與標簽定義
12.1.3目標函數
12.1.4拉格朗日乘子法
12.2支持向量的作用
12.2.1支持向量機求解
12.2.2支持向量的作用
12.3支持向量機涉及參數
12.3.1軟間隔參數選擇
12.3.2核函數的作用
12.4案例：參數對結果的影響
12.4.1SVM基本模型
12.4.2核函數變換
12.4.3SVM參數選擇
12.4.4SVM人臉識別實例
本章總結
第13章推薦繫統
13.1推薦繫統的應用
13.2協同過濾算法
13.2.1基於用戶的協同過濾
13.2.1基於商品的協同過濾
13.3隱語義模型
13.3.1矩陣分解思想
13.3.2隱語義模型求解
13.3.3評估方法
本章總結
第14章推薦繫統項目實戰——打造音樂推薦繫統
14.1數據集清洗
14.1.1統計分析
14.1.2數據集整合
14.2基於相似度的推薦
14.2.1排行榜推薦
14.2.2基於歌曲相似度的推薦
14.3基於矩陣分解的推薦
14.3.1奇異值分解
14.3.2使用SVD算法進行音樂推薦
項目總結
第15章降維算法
15.1線性判別分析
15.1.1降維原理概述
15.1.2優化的目標
15.1.3線性判別分析求解
15.1.4Python實現線性判別分析降維
15.2主成分分析
15.2.1PCA降維基本知識點
15.2.2PCA優化目標求解
15.2.3Python實現PCA降維
本章總結
第16章聚類算法
16.1K-means算法
16.1.1聚類的基本特性
16.1.2K-means算法原理
16.1.2K-means涉及參數
16.1.3K-means聚類效果與優缺點
16.2DBSCAN聚類算法
16.2.1DBSCAN算法概述
10.2.2DBSCAN工作流程
16.2.3半徑對結果的影響
16.3聚類實例
本章總結
第17章神經網絡
17.1神經網絡推薦基礎
17.1.1神經網絡概述
17.1.2計算機眼中的圖像
17.1.3得分函數
17.1.4損失函數
17.1.5反向傳播
17.2神經網絡整體架構
11.2.1整體框架
17.2.的作用
17.2.3正則化
17.2.4激活函數
17.3網絡調優細節
17.3.1數據預處理
17.3.2Drop-Out
17.3.3數據增強
17.3.4網絡結構設計
本章總結
第18章TensorFlow實戰
18.1TensorFlow基本操作
18.1.1Tensorflow特性
18.1.2Tensorflow基本操作
18.1.3Tensorflow實現回歸任務
18.2搭建神經網絡進行手寫字體識別
本章總結
第19章卷積神經網絡
19.1卷積操作原理
19.1.1卷積神經網絡應用
19.1.2卷積操作流程
19.1.3卷積計算方法
19.1.4卷積涉及參數
19.1.5池化層
19.2經典網絡架構
19.2.1卷積神經網絡整體架構
19.2.2AlexNet網絡
19.2.3VGG網絡
19.2.4ResNet網絡
19.3TensorFlow實戰卷積神經網絡
本章總結
第20章神經網絡項目實戰——影評情感分析
20.1遞歸神經網絡
20.1.1RNN網絡架構
20.1.2LSTM網絡
20.2影評數據特征工程
20.2.1詞向量
20.2.2數據特征制作
20.3構建RNN模型
項目總結
