●章Python語法要素1
1.1用模塊組織代碼1
1.2模塊的兩種使用方式2
1.3編程的語法要素4
1.3.1變量4
1.3.2變量的數據類型和運算5
1.4代碼實戰1:計算二維空間兩個點的距離6
1.5數據結構7
1.5.1列表9
1.5.2字典10
1.6代碼實戰2:計算三維空間中兩個點的距離11
第2章語法結構13
2.1分支結構13
2.2循環結構14
2.2.1退出循環15
2.2.2else16
2.3代碼實戰:計算高維空間兩個點的距離16
第3章函數和類18
3.1函數18
3.1.1定義函數18
3.1.2代碼實戰:距離函數19
3.2類和對像20
3.3類和繼承22
3.4小結24
第4章走進機器學習25
4.1不要關心概念26
4.2數據建模27
4.2.1用數學公式建模27
4.2.2用概率建模28
4.3機器學習的功能30
4.3.1什麼是分類問題30
4.3.2什麼是回歸問題32
4.3.3什麼是聚類問題34
4.4小結36
第5章如何獲取數據37
5.1代碼實戰1:獲得鳶尾花數據集37
5.2專家解讀39
5.3代碼實戰2:獲得新聞數據集40
5.4專家解讀41
5.5代碼實戰3:生成不均衡數據集41
5.6專家解讀42
5.7小結44
第6章讀取外部數據45
6.1代碼實戰1:從文件讀取數據45
6.2專家解讀46
6.2.1對時間的處理47
6.2.2大文件迭代47
6.2.3CSV文件的寫操作48
6.3libsvm格式文件的讀寫49
6.4專家解讀50
6.5代碼實戰2:從MySQL讀取數據51
第7章數據可視化探索53
7.1作者建議53
7.2代碼實戰1:觀察分布54
7.3代碼實戰2:觀察變量間關繫59
7.4小結63
第8章數據清洗65
8.1代碼實戰1:特征類型校準65
8.2代碼實戰2:數據分布可視化67
8.3代碼實戰3:處理缺失值69
8.4代碼實戰4:經驗法則和異常值處理72
8.5代碼實戰5:方差分析和變量篩選75
第9章如何做回歸79
9.1代碼實戰1:經典回歸79
9.2專家解讀82
9.3代碼實戰線性回歸84
9.4專家解讀86
9.5代碼實戰3:嶺回歸86
9.6專家解讀87
9.7代碼實戰4:Lasso回歸88
9.8專家解讀89
9.9代碼實戰5:KDE回歸90
9.10專家解讀93
9.11小結95
0章支持向量機和圖像分類96
10.1代碼實戰1:支持向量機和圖像識別96
10.2專家解讀101
10.3代碼實戰2:核技巧104
10.4代碼實戰3:軟間隔vs硬間隔108
10.5小結109
1章模型評估和優化110
11.1代碼實戰1:如何評估模型的分數111
11.2專家解讀112
11.3代碼實戰2:繪制ROC曲線114
11.4專家解讀117
11.5代碼實戰3:使用交叉驗證對模型評分118
11.6小結121
2章神經網絡和深度學習122
12.1神經網絡122
12.1.1M-模型124
12.1.2前饋神經網絡124
12.2卷積神經網絡125
12.2.1CNN的典型結構示意126
12.2.2卷積層127
12.2.3ReLU層128
12.2.4池化層129
12.2.5全連接層129
12.3BP算法129
12.4盤點著名的CNN架構130
3章深度學習的硬件和軟件133
13.1為什麼是GPU133
13.1.1GPU和矩陣運算134
13.1.2CUDA135
13.2深度學習框架136
13.2.1框架的意義137
13.2.2各種框架盤點138
13.2.3什麼是Keras139
13.3小結142
4章TensorFlow入門143
14.1初識143
14.2專家解讀144
14.3代碼實戰:線性回歸148
14.4小結152
5章Keras入門必讀153
15.1代碼實戰1:用Keras做線性回歸模型154
15.2專家解讀157
15.2.1序列模型和函數式模型的區別158
15.2.2激活層的簡寫159
15.2.3Keras的scikit-learn接口160
15.3代碼實戰2:手寫數字識別161
15.4專家解讀168
15.5小結172
6章識別交通標志174
16.1認識數據174
16.2從圖片文件到張量176
16.3搭建網絡模型181
16.4訓練模型183
16.5圖像增強改進187
16.6小結191
7章站在巨人的肩膀上193
17.1代碼實戰1:用VGG16做圖像識別194
17.2代碼實戰2:特征提取196
17.3代碼實戰3:遷移學習197
17.4經典網絡通覽203
17.4.1VGG16204
17.4.2GoogLeNet(Inception)207
17.4.3ResNet211
17.5小結214
附錄工作環境搭建說明215
內容簡介
工欲善其事,必先利其器。要想學好人工智能,怎能沒有實用的工具?這是一本輕松、可讀性強的圖書。它基於Python語言,形像地講解了人工智能中常用的工具,幫助讀者迅速掌握其用法和技巧。
本書分為,包括Python語法精講、數據預處理和可視化、機器學習以及深度學習,涵蓋了Python、pandas、Matplotlib、Seaborn,scikit-learn、TensorFlow、Keras這7種主流工具。不同於傳統的圖書,本書從案例出發,圍繞著人工智能的典型場景,以提出問題、定義問題、解決問題、專家講解的流程來組織內容,然後展示各種工具的適用場景、關鍵用法和應用技巧。
本書適合所有有興趣了解人工智能的讀者,也適合在校學生、IT從業人員和科研工作者閱讀。