●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。
