Python人工智能編程實踐

目錄

入門篇

第1章全書指南31.1Python編程3

1.2數據分析5

1.3機器學習6

1.3.1任務8

1.3.2經驗8

1.3.3表現9

1.4Kaggle競賽11

1.5Git代碼管理12

小結13

第2章基本環境搭建與配置14

2.1Windows下基本環境的搭建與配置14

2.1.1查看Windows的版本與原始配置14

2.1.2下載並安裝Anaconda3（Windows版本）15

2.1.3創建虛擬環境python_env16

2.1.4在虛擬環境python_env下安裝Jupyter Notebook17

2.2macOS下基本環境的搭建與配置18

2.2.1查看macOS的版本與原始配置18

2.2.2下載並安裝Anaconda3（macOS版本）19

2.2.3創建虛擬環境python_env20

2.2.4在虛擬環境python_env下安裝Jupyter Notebook21

2.3Ubuntu下基本環境的搭建與配置22

2.3.1查看Ubuntu的版本與原始配置22

2.3.2下載並安裝Anaconda3（Linux版本）23

2.3.3創建虛擬環境python_env23

2.3.4在虛擬環境python_env下安裝Jupyter Notebook25Python人工智能編程實踐目錄2.4Jupyter Notebook使用簡介26

2.4.1在虛擬環境python_env下啟動Jupyter Notebook26

2.4.2創建一個.ipynb文件27

2.4.3試運行.ipynb文件內的Python 3程序28

2.5PyCharm使用簡介28

2.5.1安裝PyCharm29

2.5.2在虛擬環境python_env下啟動PyCharm30

2.5.3創建一個.py文件31

2.5.4試運行.py文件內的Python 3程序32

小結32

基礎篇

第3章Python編程基礎353.1Python環境配置35

3.1.1基於命令行/終端的交互式編程環境35

3.1.2基於Web的交互式開發環境36

3.1.3集成式開發環境38

3.2Python基本語法39

3.2.1註釋39

3.2.2賦值40

3.2.3縮進41

3.3Python數據類型41

3.4Python數據運算44

3.5Python流程控制46

3.5.1分支語句47

3.5.2循環控制48

3.6Python函數設計49

3.7Python面向對象編程49

3.8Python編程庫（包）/模塊導入51

3.9Python編程綜合實踐53

小結54

第4章Pandas數據分析55

4.1Pandas環境配置55

4.1.1使用Anaconda Navigator搭建和配置環境56

4.1.2使用conda命令搭建和配置環境57

4.2Pandas核心數據結構58

4.2.1序列58

4.2.2數據框59

4.3Pandas讀取/寫入文件數據60

4.3.1讀取/寫入CSV文件數據60

4.3.2讀取/寫入JSON文件數據62

4.3.3讀取/寫入Excel文件數據64

4.4Pandas數據分析的常用功能67

4.4.1添加數據67

4.4.2刪除數據69

4.4.3查詢/篩選數據69

4.4.4修改數據70

4.4.5數據統計71

4.4.6數據排序72

4.4.7函數應用73

4.5Pandas數據合並74

4.6Pandas數據清洗75

4.7Pandas數據分組與聚合77

小結78

第5章Scikitlearn單機機器學習80

5.1Scikitlearn環境配置81

5.1.1使用Anaconda Navigator搭建和配置環境81

5.1.2使用conda命令搭建和配置環境82

5.2Scikitlearn無監督學習83

5.2.1降維學習與可視化83

5.2.2聚類算法91

5.3Scikitlearn監督學習98

5.3.1分類預測模型98

5.3.2數值回歸模型114

5.4Scikitlearn半監督學習模型123

5.4.1自學習框架123

5.4.2標簽傳播算法126

5.5單機機器學習模型的常用優化技巧127

5.5.1交叉驗證127

5.5.2特徵工程129

5.5.3參數正則化135

5.5.4超參數尋優139

5.5.5並行加速訓練140

小結142

進階篇

第6章PyTorch/TensorFlow/PaddlePaddle深度學習1476.1PyTorch/TensorFlow/PaddlePaddle環境配置148

6.1.1PyTorch環境配置148

6.1.2TensorFlow環境配置150

6.1.3PaddlePaddle環境配置151

6.2全連接神經網絡153

6.2.1全連接神經網絡的PyTorch實踐153

6.2.2全連接神經網絡的TensorFlow實踐157

6.2.3全連接神經網絡的PaddlePaddle實踐159

6.3捲積神經網絡161

6.3.1捲積神經網絡的PyTorch實踐162

6.3.2捲積神經網絡的TensorFlow實踐166

6.3.3捲積神經網絡的PaddlePaddle實踐168

6.4殘差神經網絡171

6.4.1殘差神經網絡的PyTorch實踐172

6.4.2殘差神經網絡的TensorFlow實踐175

6.4.3殘差神經網絡的PaddlePaddle實踐178

6.5循環神經網絡181

6.5.1循環神經網絡的PyTorch實踐182

6.5.2循環神經網絡的TensorFlow實踐185

6.5.3循環神經網絡的PaddlePaddle實踐187

6.6註意力機制190

6.6.1註意力機制的PyTorch實踐191

6.6.2註意力機制的TensorFlow實踐194

6.6.3註意力機制的PaddlePaddle實踐196

6.7自動編碼器199

6.7.1自動編碼器的PyTorch實踐200

6.7.2自動編碼器的TensorFlow實踐203

6.7.3自動編碼器的PaddlePaddle實踐206

6.8變換模型209

6.8.1變換模型的PyTorch實踐210

6.8.2變換模型的TensorFlow實踐214

6.8.3變換模型的PaddlePaddle實踐216

6.9深度學習模型的常用優化技巧219

6.9.1隨機失活219

6.9.2批標準化228

6.9.3層標準化235

小結244

第7章PySpark分佈式機器學習246

7.1PySpark環境配置248

7.1.1使用Anaconda Navigator搭建和配置環境248

7.1.2使用conda命令搭建和配置環境249

7.1.3安裝JRE250

7.2PySpark分佈式數據結構251

7.2.1RDD252

7.2.2DataFrame254

7.3PySpark分佈式特徵工程255

7.3.1特徵抽取255

7.3.2特徵轉換260

7.4PySpark分佈式機器學習263

7.4.1PySparkML分類預測模型264

7.4.2PySparkML數值回歸模型269

7.5分佈式機器學習模型的常用優化技巧273

7.5.1超參數尋優： 留一驗證274

7.5.2超參數尋優： 交叉驗證275

小結277

實踐篇

第8章Kaggle競賽實踐2818.1Titanic罹難乘客預測282

8.1.1數據分析282

8.1.2數據預處理284

8.1.3模型設計與尋優285

8.1.4提交測試286

8.2Ames房產價格評估287

8.2.1數據分析288

8.2.2數據預處理292

8.2.3模型設計與尋優294

8.2.4提交測試294

8.3Twitter短文本分類295

8.3.1數據分析296

8.3.2數據預處理297

8.3.3模型設計與尋優298

8.3.4提交測試299

8.4CIFAR100圖像識別300

8.4.1數據分析301

8.4.2數據預處理302

8.4.3模型設計與尋優303

8.4.4提交測試305

小結306

第9章Git代碼管理308

9.1Git本地環境搭建309

9.1.1Windows下Git工具的安裝與配置309

9.1.2macOS下Git工具的安裝與配置309

9.1.3Ubuntu下Git工具的安裝與配置309

9.2Git遠程倉庫配置310

9.2.1GitHub介紹311

9.2.2GitHub遠程倉庫的創建與配置311

9.2.3Gitee介紹312

9.2.4Gitee遠程倉庫的創建與配置312

9.3Git基本指令313

9.3.1克隆倉庫313

9.3.2提交修改314

9.3.3遠程推送314

9.4Git分支管理316

9.4.1創建分支317

9.4.2分支合並317

9.4.3合並沖突317

9.4.4刪除分支319

9.5貢獻Git項目319

9.5.1復刻項目319

9.5.2本地克隆、修改與推送320

9.5.3發起拉取請求320

小結322

後記323