Python入門到人工智慧實戰

Python入門到人工智慧實戰

《Python入門到人工智慧實戰》是2020年北京大學出版社出版的圖書,作者是吳茂貴。

基本介紹

  • 書名:Python入門到人工智慧實戰
  • 作者:吳茂貴
  • 出版社:北京大學出版社
  • ISBN:9787301312841
內容簡介,圖書目錄,作者簡介,

內容簡介

《Python 入門到人工智慧實戰》是針對零基礎編程學習者編寫的教程。從初學者角度出發,每章以問題為導向,輔以大量的實例,詳細地介紹了Python 基礎、機器學習,以及最好也最易學習的兩個平台PyTorch 和Keras。
  全書共20 章,包括Python 安裝配置、Python 語言基礎、流程控制語句、序列、函式、對象、檔案及異常處理、數據處理和分析的重要模組(NumPy、Pandas)、機器學習基礎、機器學習常用調優方法、神戒判籃經網路、卷積神經網路,以及使用PyTorch、Keras 實現多個人工智慧實戰案例等。葛講堡書中所有知識都結合具體實例進行講解,涉及的程式代碼給出了詳細的注釋,使讀者可以輕鬆領會。全催

圖書目錄

第1章 Python安裝配置
1.1 問題:Python能帶來哪些優勢
1.2 安裝Python
1.3 配置開發環境
1.4 試運行Python
1.5 後續思考
1.6 小結
第2章 變數和數據類型
2.1 問題:Python是如何定再檔設捆義變數的
2.2 變數
2.3 字元串
2.4 數字與運算符
2.5 數據講樂凳類型轉換
2.6 注釋
2.7 後續思考
2.8 小結
第3章 列表和元組
3.1 問題:如何存取更多數據
3.2 列表概述
3.3 訪問列表元素的方法
3.4 對列表進行增、刪、改
3.5 統計分析列表
3.6 組織列表
3.7 生成列表
3.8 元組
3.9 後續思考
3.10 小結
第4章 if語句與循環語句
4.1 問題:Python中的控制語句有何特點
4.2 if語句
4.3 循環語句
4.4 後續思考
4.5 小結
第5章 字典和集合
5.1 問題:當索引不好用時怎么辦
5.2 一個簡單的字典實例
5.3 創建和維護字典
5.4 遍歷字典
5.5 集合
5.6 列表、元組、字典和集合的異同
5.7 疊代器和生成器
5.8 後續思考
5.9 小結
第6章 函式
6.1 問題:如何實現代碼共享
6.2 創建和調用函式
6.3 傳遞參數
6.4 返回值
6.5 傳遞任意數量的參數
6.6 lambda函式
6.7 生成器函式
6.8 把函式放在模組中
6.9 後續思考
6.10 小結
第7章 面向對象編程
7.1 問題:如何實現不重複造輪子
7.2 類與實例
7.3 繼承
7.4 把類放在模組中
7.5 標準庫
7.6 包
7.7 實例1:使用類和包
7.8 實例2:銀行ATM機系鞏己狼斷統
7.9 後續思考
7.10 小結
第8章 檔案與異常
8.1 問題:Python如何獲取檔案數據
8.2 基本的檔案操作
8.3 目錄操作
8.4 異常處理
8.5 後續思考
8.6 小結
第9章 NumPy基礎
9.1 問題:為什麼說NumPy是打開人工智慧的一把鑰匙
9.2 生成NumPy數組
9.3 獲取元素
9.4 NumPy的算術運算
9.5 數組變形
9.6 通用函式
9.7 廣播機制
9.8 後續思考
9.9 小結
第10章 Pandas基礎
10.1 問題:Pandas有哪些優勢
10.2 Pandas數據結構才堡淚
10.3 Series
10.4 DataFrame
10.5 後續思考
10.6 小結
第11章 數據可視化
11.1 問題:為何選擇Matplotlib
11.2 可視化工具Matplotlib
11.3 繪製多個子圖
11.4 Seaborn簡介
11.5 圖像處理與顯示
11.6 Pyecharts簡介
11.7 實例:詞雲圖
11.8 後續思考
11.9 小結
第12章 機器學習基礎
12.1 問題:機器學習如何學習
12.2 機器學習常用算法
12.3 機器學習的一般流程
12.4 機器學習常用技巧
12.5 實例1:機器學習是如何學習的
12.6 實例2:用Scikit-Learn實現電信客戶流失預測
12.7 後續思考
12.8 小結
第13章 神經網路
13.1 問題:神經網路能代替傳統機器學習嗎
13.2 單層神經網路
13.3 多層神經網路
13.4 輸出層
13.5 損失函式
13.6 正向傳播
13.7 誤差反向傳播
13.8 實例:用Python實現手寫數字的識別
13.9 後續思考
13.10 小結
第14章 用PyTorch實現神經網路
14.1 為何選擇PyTorch
14.2 安裝配置
14.3 Tensor簡介
14.4 autograd機制
14.5 構建神經網路的常用工具
14.6 數據處理工具
14.7 實例1:用PyTorch實現手寫數字識別
14.8 實例2:用PyTorch解決回歸問題
14.9 小結
第15章 卷積神經網路
15.1 問題:傳統神經網路有哪些不足
15.2 卷積神經網路
15.3 實例:用PyTorch完成圖像識別任務
15.4 後續思考
15.5 小結
第16章 提升模型性能的幾種技巧
16.1 問題:為什麼有些模型嘗試了很多方法仍然效果不佳
16.2 找到合適的學習率
16.3 正則化
16.4 合理的初始化
16.5 選擇合適的最佳化器
16.6 GPU加速
16.7 後續思考
16.8 小結
第17章 Keras入門
17.1 問題:為何選擇Keras架構
17.2 Keras簡介
17.3 Keras常用概念
17.4 Keras常用層
17.5 神經網路核心組件
17.6 Keras的開發流程
17.7 實例:Keras程式的開發流程
17.8 後續思考
17.9 小結
第18章 用Keras實現圖像識別
18.1 實例1:用自定義模型識別手寫數字
18.2 實例2:用預訓練模型識別圖像
18.3 後續思考
18.4 小結
第19章 用Keras實現遷移學習
19.1 問題:如何發揮小數據的潛力
19.2 遷移學習簡介
19.3 遷移學習常用方法
19.4 實例:用Keras實現遷移學習
19.5 後續思考
19.6 小結
第20章 用Keras實現風格遷移
20.1 問題:如何捕捉圖像風格
20.2 通道與風格
20.3 內容損失與風格損失
20.4 格拉姆矩陣簡介
20.5 實例:用Kreras實現風格遷移
20.6 後續思考
20.7 小結

作者簡介

 吳茂貴,上海大學運籌學與控制論碩士,在BI、數據挖掘與分析、機器學習等領域有20多年的工作經驗,在Spark機器學習、TensorFlow人工智慧以及神經網路領域有大量的實踐經驗。
第7章 面向對象編程
7.1 問題:如何實現不重複造輪子
7.2 類與實例
7.3 繼承
7.4 把類放在模組中
7.5 標準庫
7.6 包
7.7 實例1:使用類和包
7.8 實例2:銀行ATM機系統
7.9 後續思考
7.10 小結
第8章 檔案與異常
8.1 問題:Python如何獲取檔案數據
8.2 基本的檔案操作
8.3 目錄操作
8.4 異常處理
8.5 後續思考
8.6 小結
第9章 NumPy基礎
9.1 問題:為什麼說NumPy是打開人工智慧的一把鑰匙
9.2 生成NumPy數組
9.3 獲取元素
9.4 NumPy的算術運算
9.5 數組變形
9.6 通用函式
9.7 廣播機制
9.8 後續思考
9.9 小結
第10章 Pandas基礎
10.1 問題:Pandas有哪些優勢
10.2 Pandas數據結構
10.3 Series
10.4 DataFrame
10.5 後續思考
10.6 小結
第11章 數據可視化
11.1 問題:為何選擇Matplotlib
11.2 可視化工具Matplotlib
11.3 繪製多個子圖
11.4 Seaborn簡介
11.5 圖像處理與顯示
11.6 Pyecharts簡介
11.7 實例:詞雲圖
11.8 後續思考
11.9 小結
第12章 機器學習基礎
12.1 問題:機器學習如何學習
12.2 機器學習常用算法
12.3 機器學習的一般流程
12.4 機器學習常用技巧
12.5 實例1:機器學習是如何學習的
12.6 實例2:用Scikit-Learn實現電信客戶流失預測
12.7 後續思考
12.8 小結
第13章 神經網路
13.1 問題:神經網路能代替傳統機器學習嗎
13.2 單層神經網路
13.3 多層神經網路
13.4 輸出層
13.5 損失函式
13.6 正向傳播
13.7 誤差反向傳播
13.8 實例:用Python實現手寫數字的識別
13.9 後續思考
13.10 小結
第14章 用PyTorch實現神經網路
14.1 為何選擇PyTorch
14.2 安裝配置
14.3 Tensor簡介
14.4 autograd機制
14.5 構建神經網路的常用工具
14.6 數據處理工具
14.7 實例1:用PyTorch實現手寫數字識別
14.8 實例2:用PyTorch解決回歸問題
14.9 小結
第15章 卷積神經網路
15.1 問題:傳統神經網路有哪些不足
15.2 卷積神經網路
15.3 實例:用PyTorch完成圖像識別任務
15.4 後續思考
15.5 小結
第16章 提升模型性能的幾種技巧
16.1 問題:為什麼有些模型嘗試了很多方法仍然效果不佳
16.2 找到合適的學習率
16.3 正則化
16.4 合理的初始化
16.5 選擇合適的最佳化器
16.6 GPU加速
16.7 後續思考
16.8 小結
第17章 Keras入門
17.1 問題:為何選擇Keras架構
17.2 Keras簡介
17.3 Keras常用概念
17.4 Keras常用層
17.5 神經網路核心組件
17.6 Keras的開發流程
17.7 實例:Keras程式的開發流程
17.8 後續思考
17.9 小結
第18章 用Keras實現圖像識別
18.1 實例1:用自定義模型識別手寫數字
18.2 實例2:用預訓練模型識別圖像
18.3 後續思考
18.4 小結
第19章 用Keras實現遷移學習
19.1 問題:如何發揮小數據的潛力
19.2 遷移學習簡介
19.3 遷移學習常用方法
19.4 實例:用Keras實現遷移學習
19.5 後續思考
19.6 小結
第20章 用Keras實現風格遷移
20.1 問題:如何捕捉圖像風格
20.2 通道與風格
20.3 內容損失與風格損失
20.4 格拉姆矩陣簡介
20.5 實例:用Kreras實現風格遷移
20.6 後續思考
20.7 小結

作者簡介

 吳茂貴,上海大學運籌學與控制論碩士,在BI、數據挖掘與分析、機器學習等領域有20多年的工作經驗,在Spark機器學習、TensorFlow人工智慧以及神經網路領域有大量的實踐經驗。

相關詞條

熱門詞條

聯絡我們