人工智能算法案例大全：基於Python

本書的編程語言以Python為主，詳細介紹了人工智能算法的主流類別，涉及常見的數據徵處理、
回歸模型、基於實例的算法、樹方法、經網絡、自然語言處理、社會網絡、遺傳算法和推薦算法。
本書針對每大類算法介紹了該門類下的算法，並運用常見算法庫以代碼實現為目的，以商業分析、
金融投資、科研輔助和工程化等案例為對象，
逐步講解每種算法的實現方法及在案例分析中的運用，分案例配備了教學視頻，可掃碼實時觀看。
同時，隨書還提供了程序源代碼、授課用PPT等海量附加學資源。

本書適用的讀者對象括：商業分析師、高校科研工作者、互聯網企業的算法工程師、
大中院校相關業師生以及其他需要掌握人工智能算法知識的讀者。

目錄.
前言
第1章無處不在的算法
1.1人工智能發展的歷史
1.2人工智能算法的分類與流派
第2章常見的數據特徵處理
2.1常見的數據預處理和特徵選擇方法
2.1.1常見的數據預處理
2.1.2常見的特徵選擇方法
2.2主成分分析
2.2.1PCA算法步驟和特徵分解理論
2.2.2PCA規約MNIST數據集
2.3高新技術企業行業技術週期數據的可視化和相關性分析
2.3.1特徵的系統性描述
2.3.2特徵的深入觀察
第3章常見的回歸模型
3.1線性回歸模型
3.1.1普通小二乘法的原理
3.1.2廣告投入產出分析案例
3.2邏輯斯諦回歸
3.2.1邏輯斯諦回歸的原理
3.2.2乳腺癌惡性、良性腫瘤分類預測 
3.3正則化方法
3.3.1普通小二乘法與嶺回歸
3.3.2核嶺回歸
3.3.3核嶺回歸、嶺回歸和LASSO的區別與聯繫
3.3.4常用核函數
3.3.5社區和犯罪數據集的分析
第4章基於實例的算法
4.1K-Means算法
4.1.1K-Means的算法原理
4.1.2基於K-Means聚類分析的肥胖原因探索
4.2KNN算法
4.2.1KNN的算法原理
4.2.2手機流量套餐的KNN聚類研究
第5章樹方法
5.1決策樹
5.1.1決策樹的原理
5.1.2泰坦尼克號的末日求生
5.2隨機森林
5.2.1隨機森林的原理
5.2.2泰坦尼克號的生存分析
5.3XGBoost
5.3.1XGBoost的算法原理
5.3.2滬深300指數的波動率預測
第6章神經網絡
6.1多層感知器
6.1.1線性可分的二分類案例
6.1.2線性不可分的案例
6.2深度神經網絡
6.2.1基於Ames House Price數據的XGBoost模型案例
6.2.2基於Ames House Price數據的深度神經網絡案例
6.3卷積神經網絡
6.3.1隨機森林識別mnist數據集
6.3.2卷積神經網絡識別mnist數據集
6.3.3卷積神經網絡識別帶有噪聲的mnist數據集
6.4循環神經網絡
6.4.1時間序列的可視化與特徵分析
6.4.2GRU網絡結構設計
6.4.3模型訓練與預測
第7章自然語言處理
7.1常用的文本處理技巧
7.1.1文本數據展示和基本性質觀察
7.1.2多個語料庫的深入分析
7.2文本分析和挖掘
7.2.1Women's Clothing E-Commerce Reviews數據集的分析與觀察
7.2.2基於詞向量模型的分類預測
7.2.3基於詞彙的情感分析
7.3主題建模
7.3.1潛在語義分析
7.3.2sklearn庫的LDA模型
7.3.3gensim庫的LDA模型
7.4新聞的內容分析與LDA主題模型的相關性分析
7.4.1基於內容分析法分析新聞數據
7.4.2新聞數據的LDA模型分析
第8章社會網絡
8.1社會網絡的介紹和統計
8.1.1社會網絡的基礎概念及可視化
8.1.2社會網絡的多種統計指標
8.2社交網絡的數據分析
8.2.1某在線社交網絡分析
8.2.2貴格會的社交網絡分析
第9章遺傳算法
9.1遺傳算法與旅行商問題
9.1.1旅行商問題在遺傳算法中的定義
9.1.2遺傳算法的選擇、交叉和變異
9.2遺傳算法與波士頓房價預測
9.2.1利用經典回歸模型預測波士頓房價
9.2.2利用遺傳算法進行特徵選擇
9.3Geatpy庫的應用實例
9.3.1啤酒混合策略
9.3.2房間佈局優化問題
第10章推薦算法
10.1電影數據集的協同過濾推薦
10.1.1電影數據集的介紹和可視化
10.1.2基於電影評分數據的協同過濾推薦算法
10.1.3基於內容數據的協同過濾推薦算法
10.2基於巡航數據的模糊控制系統
10.2.1智能巡航控制系統
10.2.2小費決策的模糊控制系統