人工智能算法與實戰（Python+PyTorch）-微課視頻版

本書可視為一本以問題為導向的書籍, 非常適合具備一定數據基礎和Python基礎的讀者學習,作為一本數據科學的基礎書籍,讀者可以在短時間內學習數據科學的經典算法。主要闡述 python3 基礎內容；常用模塊進行扼要闡述和實例操作；常見統計量, 數據轉換, 以及多維數組等內容, 並通過代碼實現； 特色是以問題導向的方式闡述了常見的 12 種經典算法；並介紹了 pytorch 的相關內容, 並扼要闡述了深度學習中幾種經典的神經網絡算法, 以及 pytorch 實現經典的神經網絡算法。

目錄

第1章準備工作

1.1Python的安裝

1.1.1簡介

1.1.2安裝

1.1.3常用模塊

1.1.4虛擬環境

1.2基礎知識

1.2.1認識 Python

1.2.2數據類型

1.2.3數據結構

1.2.4條件判斷

1.2.5循環

1.2.6實例

1.3Notebook開發環境

1.3.1搭建Jupyter

1.3.2搭建Jupyterlab

1.4本章小結

第2章科學計算庫

2.1NumPy

2.1.1構建數組

2.1.2數組運算

2.1.3函數運算

2.1.4文件存取

2.2SymPy

2.3SciPy

2.3.1非線性方程組

2.3.2最小二乘

2.3.3插值

2.4pandas

2.4.1Series

2.4.2dataframe

2.4.3日平均線

2.4.4數據存取

2.5Matplotlib

2.5.1二維圖形

2.5.2三維圖形

2.6本章小結

第3章描述性分析

3.1數據

3.2基本統計量

3.2.1平均數

3.2.2最值

3.2.3中位數

3.2.4眾數

3.2.5極差

3.2.6方差

3.2.7變異系數

3.2.8協方差

3.2.9相關系數

3.3數據轉換

3.3.1中心化

3.3.2minmax標準化

3.3.3BoxCox轉換

3.3.4log函數轉換

3.3.5zscore標準化

3.4常見距離

3.4.1閔氏距離

3.4.2餘弦值相似度

3.5多維數據

3.5.1矩陣

3.5.2特徵值和特徵向量

3.5.3多重共線性

3.6學生基本信息實例

3.7本章小結

第4章經典算法

4.1線性回歸

4.1.1思想方法

4.1.2線性回歸算法步驟

4.1.3實例

4.2邏輯回歸

4.2.1算法思想

4.2.2步驟

4.2.3實例

4.3主成分分析

4.3.1算法思想

4.3.2步驟

4.3.3實例

4.4線性判別分析

4.4.1算法思想

4.4.2步驟

4.4.3實例

4.5決策樹

4.5.1算法思想

4.5.2步驟

4.5.3實例

4.6隨機森林

4.6.1算法思想

4.6.2實例

4.7集成學習

4.7.1Bagging

4.7.2Boosting

4.7.3Stacking

4.8樸素貝葉斯

4.8.1算法思想

4.8.2步驟

4.8.3實例

4.9k最近鄰算法

4.9.1算法思想

4.9.2步驟

4.9.3實例

4.10kmeans聚類

4.10.1算法思想

4.10.2算法步驟

4.10.3實例

4.11推薦算法

4.11.1算法思想

4.11.2基於用戶的協同過濾

4.11.3步驟

4.11.4基於內容的協同過濾

4.11.5總結

4.12SVD

4.12.1步驟

4.12.2實例

4.13本章小結

第5章深度學習

5.1PyTorch

5.1.1PyTorch安裝

5.1.2創建tensor

5.1.3基本運算

5.1.4矩陣運算

5.2基礎知識

5.2.1蒙特卡洛法

5.2.2梯度下降法

5.2.3封裝實現

5.2.4激活函數

5.2.5softmax

5.3前饋神經網絡

5.3.1思想原理

5.3.2手寫體識別實例

5.4捲積神經網絡

5.4.1核函數

5.4.2池化層

5.4.3LeNet

5.4.4AlexNet

5.4.5ResNet

5.4.6GoogLeNet

5.4.7垃圾分類實例

5.5生成對抗網絡

5.5.1思想原理

5.5.2對抗網絡實例

5.6其他神經網絡

5.6.1循環神經網絡

5.6.2風格遷移神經網絡

5.7本章小結

參考文獻