《Python入门到人工智能实战》求取 ⇩

第1章Python安装配置1

1.1问题：Python能带来哪些优势？2

1.2安装Python2

1.3配置开发环境4

1.4试运行Python7

1.5后续思考12

1.6小结12

第2章变量和数据类型13

2.1问题：Python是如何定义变量的？14

2.2变量14

2.3字符串16

2.4数字与运算符19

2.5数据类型转换21

2.6注释23

2.7后续思考23

2.8小结23

第3章列表和元组25

3.1问题：如何存取更多数据？26

3.2列表概述26

3.3访问列表元素的方法26

3.4对列表进行增、删、改29

3.5统计分析列表31

3.6组织列表32

3.7生成列表33

3.8元组35

3.9后续思考37

3.10小结37

第4章if语句与循环语句38

4.1问题：Python中的控制语句有何特点？39

4.2 if语句39

4.3循环语句42

4.4后续思考46

4.5小结46

第5章字典和集合47

5.1问题：当索引不好用时怎么办？48

5.2一个简单的字典实例48

5.3创建和维护字典48

5.4遍历字典50

5.5集合51

5.6列表、元组、字典和集合的异同53

5.7迭代器和生成器53

5.8后续思考55

5.9小结55

第6章函数57

6.1问题：如何实现代码共享？58

6.2创建和调用函数58

6.3传递参数60

6.4返回值62

6.5传递任意数量的参数63

6.6 lambda函数65

6.7生成器函数66

6.8把函数放在模块中66

6.9后续思考70

6.10小结70

第7章面向对象编程71

7.1问题：如何实现不重复造轮子？72

7.2类与实例72

7.3继承76

7.4把类放在模块中77

7.5标准库78

7.6包83

7.7实例1：使用类和包84

7.8实例2：银行ATM机系统86

7.9后续思考89

7.10小结89

第8章文件与异常90

8.1问题：Python如何获取文件数据？91

8.2基本的文件操作93

8.3目录操作98

8.4异常处理100

8.5后续思考105

8.6小结105

第9章NumPy基础106

9.1问题：为什么说NumPy是打开人工智能的一把钥匙？107

9.2生成NumPy数组107

9.3获取元素112

9.4 NumPy的算术运算114

9.5数组变形116

9.6通用函数122

9.7广播机制124

9.8后续思考125

9.9小结125

第10章Pandas基础126

10.1问题：Pandas有哪些优势？127

10.2 Pandas数据结构127

10.3 Series128

10.4 DataFrame129

10.5后续思考141

10.6小结142

第11章数据可视化143

11.1问题：为何选择Matplotlib？144

11.2可视化工具Matplotlib144

11.3绘制多个子图149

11.4 Seaborn简介151

11.5图像处理与显示153

11.6 Pyecharts简介154

11.7实例：词云图156

11.8后续思考158

11.9小结158

第12章机器学习基础159

12.1问题：机器学习如何学习？160

12.2机器学习常用算法160

12.3机器学习的一般流程163

12.4机器学习常用技巧167

12.5实例1：机器学习是如何学习的？169

12.6实例2：用Scikit-Learn实现电信客户流失预测172

12.7后续思考181

12.8小结181

第13章神经网络182

13.1问题：神经网络能代替传统机器学习吗？183

13.2单层神经网络183

13.3多层神经网络187

13.4输出层188

13.5损失函数191

13.6正向传播193

13.7误差反向传播194

13.8实例：用Python实现手写数字的识别198

13.9后续思考206

13.10小结206

第14章用PyTorch实现神经网络207

14.1为何选择PyTorch？208

14.2安装配置208

14.3 Tensor简介212

14.4 autograd机制214

14.5构建神经网络的常用工具217

14.6数据处理工具219

14.7实例1：用PyTorch实现手写数字识别224

14.8实例2：用PyTorch解决回归问题230

14.9小结232

第15章卷积神经网络233

15.1问题：传统神经网络有哪些不足？234

15.2卷积神经网络234

15.3实例：用PyTorch完成图像识别任务239

15.4后续思考246

15.5小结246

第16章提升模型性能的几种技巧247

16.1问题：为什么有些模型尝试了很多方法仍然效果不佳？248

16.2找到合适的学习率248

16.3正则化249

16.4合理的初始化252

16.5选择合适的优化器254

16.6 GPU加速256

16.7后续思考258

16.8 小结258

第17章Keras入门259

17.1问题：为何选择Keras架构？260

17.2 Keras简介262

17.3 Keras常用概念263

17.4 Keras常用层265

17.5神经网络核心组件267

17.6 Keras的开发流程270

17.7实例：Keras程序的开发流程271

17.8后续思考273

17.9小结273

第18章用Keras实现图像识别274

18.1实例1：用自定义模型识别手写数字275

18.2实例2：用预训练模型识别图像283

18.3后续思考287

18.4小结287

第19章用Keras实现迁移学习288

19.1问题：如何发挥小数据的潜力？289

19.2迁移学习简介289

19.3迁移学习常用方法290

19.4实例：用Keras实现迁移学习292

19.5后续思考301

19.6小结301

第20章用Keras实现风格迁移302

20.1问题：如何捕捉图像风格？303

20.2通道与风格304

20.3内容损失与风格损失306

20.4格拉姆矩阵简介308

20.5实例：用Kreras实现风格迁移310

20.6后续思考320

20.7小结320