介紹Python人工智能的生態(tài),涉及Python基礎、網(wǎng)絡爬蟲、數(shù)據(jù)分析、可視化、圖像處理、自然語言處理、機器學習、深度學習以及強化學習等內(nèi)容。內(nèi)容包括:一部分 Python基礎;第1章 Python基礎知識;第2章 數(shù)據(jù)結(jié)構(gòu);第3章 控制語言;第4章 函數(shù);第5章 對象;第6章 Numpy基礎;第7章 pandas基礎(數(shù)據(jù)處理、交叉矩陣、統(tǒng)計分析);第8章 可視化(Matplotlib和Seaborn等);第9章 網(wǎng)絡爬蟲(解析網(wǎng)頁、urllib和scrapy);第二部分 Python圖像處理;第10章 SciPy;第11章 OpenCV;第12章 Dataset API(TensorFlow一個圖像處理API);第三部分 自然語言處理;第13章 Python中文分詞jieba(基礎及實例);第14章 NLTK簡介(基礎及實例);第15章 Word2Vec簡介(基礎及實例);第四部分 機器學習;第16章 機器學習基礎(介紹常用機器學習算法);第17章 sklearn簡介(基礎、常用算法實現(xiàn));第18章 PySpark ML 基礎(基礎、典型算法及可視化);第五部分 深度學習;第19章 深度學習基礎(神經(jīng)網(wǎng)絡卷積及循環(huán)神經(jīng)網(wǎng)絡);第20章 TensorFlow(基礎、實現(xiàn)幾種深度學習算法);第21章 keras(基礎、實現(xiàn)幾種深度學習算法);第22章 Pytorch(基礎、實現(xiàn)幾種深度學習算法);第六部分 強化學習;第23章 強化學習基礎(介紹常用的幾種強化學習算法及相關實例)。
吳茂貴,上海大學運籌學與控制論碩士,在BI、數(shù)據(jù)挖掘與分析、機器學習等領域有20多年的工作經(jīng)驗,在Spark機器學習、TensorFlow人工智能以及神經(jīng)網(wǎng)絡領域有大量的實踐經(jīng)驗。
第1章?Python安裝配置
1.1?問題:Python能帶來哪些優(yōu)勢?
1.2?安裝Python
1.3?配置開發(fā)環(huán)境
1.4?試運行Python
1.5?后續(xù)思考
1.6?小結(jié)
第2章?變量和數(shù)據(jù)類型
2.1?問題:Python是如何定義變量的?
2.2?變量
2.3?字符串
2.4?數(shù)字與運算符
2.5?數(shù)據(jù)類型轉(zhuǎn)換
2.6?注釋
2.7?后續(xù)思考
2.8?小結(jié)
第3章?列表和元組
3.1?問題:如何存取更多數(shù)據(jù)?
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(tǒng)計分析列表
3.6?組織列表
3.7?生成列表
3.8?元組
3.9?后續(xù)思考
3.10?小結(jié)
第4章?if語句與循環(huán)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(huán)語句
4.4?后續(xù)思考
4.5?小結(jié)
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(chuàng)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?迭代器和生成器
5.8?后續(xù)思考
5.9?小結(jié)
第6章?函數(shù)
6.1?問題:如何實現(xiàn)代碼共享?
6.2?創(chuàng)建和調(diào)用函數(shù)
6.3?傳遞參數(shù)
6.4?返回值
6.5?傳遞任意數(shù)量的參數(shù)
6.6?lambda函數(shù)
6.7?生成器函數(shù)
6.8?把函數(shù)放在模塊中
6.9?后續(xù)思考
6.10?小結(jié)
第7章?面向?qū)ο缶幊?7.1?問題:如何實現(xiàn)不重復造輪子?
7.2?類與實例
7.3?繼承
7.4?把類放在模塊中
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(tǒng)
7.9?后續(xù)思考
7.10?小結(jié)
第8章?文件與異常
8.1?問題:Python如何獲取文件數(shù)據(jù)?
8.2?基本的文件操作
8.3?目錄操作
8.4?異常處理
8.5?后續(xù)思考
8.6?小結(jié)
第9章?NumPy基礎
9.1?問題:為什么說NumPy是打開人工智能的一把鑰匙?
9.2?生成NumPy數(shù)組
9.3?獲取元素
9.4?NumPy的算術運算
9.5?數(shù)組變形
9.6?通用函數(shù)
9.7?廣播機制
9.8?后續(xù)思考
9.9?小結(jié)
第10章?Pandas基礎
10.1?問題:Pandas有哪些優(yōu)勢?
10.2?Pandas數(shù)據(jù)結(jié)構(gòu)
10.3?Series
10.4?DataFrame
10.5?后續(xù)思考
10.6?小結(jié)
第11章?數(shù)據(jù)可視化
11.1?問題:為何選擇Matplotlib?
11.2?可視化工具Matplotlib
11.3?繪制多個子圖
11.4?Seaborn簡介
11.5?圖像處理與顯示
11.6?Pyecharts簡介
11.7?實例:詞云圖
11.8?后續(xù)思考
11.9?小結(jié)
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(xiàn)電信客戶流失預測
12.7?后續(xù)思考
12.8?小結(jié)
第13章?神經(jīng)網(wǎng)絡
13.1?問題:神經(jīng)網(wǎng)絡能代替?zhèn)鹘y(tǒng)機器學習嗎?
13.2?單層神經(jīng)網(wǎng)絡
13.3?多層神經(jīng)網(wǎng)絡
13.4?輸出層
13.5?損失函數(shù)
13.6?正向傳播
13.7?誤差反向傳播
13.8?實例:用Python實現(xiàn)手寫數(shù)字的識別
13.9?后續(xù)思考
13.10?小結(jié)
第14章?用PyTorch實現(xiàn)神經(jīng)網(wǎng)絡
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(gòu)建神經(jīng)網(wǎng)絡的常用工具
14.6?數(shù)據(jù)處理工具
14.7?實例1:用PyTorch實現(xiàn)手寫數(shù)字識別
14.8?實例2:用PyTorch解決回歸問題
14.9?小結(jié)
第15章?卷積神經(jīng)網(wǎng)絡
15.1?問題:傳統(tǒng)神經(jīng)網(wǎng)絡有哪些不足?
15.2?卷積神經(jīng)網(wǎng)絡
15.3?實例:用PyTorch完成圖像識別任務
15.4?后續(xù)思考
15.5?小結(jié)
第16章?提升模型性能的幾種技巧
16.1?問題:為什么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?選擇合適的優(yōu)化器
16.6?GPU加速
16.7?后續(xù)思考
16.8?小結(jié)
第17章?Keras入門
17.1?問題:為何選擇Keras架構(gòu)?
17.2?Keras簡介
17.3?Keras常用概念
17.4?Keras常用層
17.5?神經(jīng)網(wǎng)絡核心組件
17.6?Keras的開發(fā)流程
17.7?實例:Keras程序的開發(fā)流程
17.8?后續(xù)思考
17.9?小結(jié)
第18章?用Keras實現(xiàn)圖像識別
18.1?實例1:用自定義模型識別手寫數(shù)字
18.2?實例2:用預訓練模型識別圖像
18.3?后續(xù)思考
18.4?小結(jié)
第19章?用Keras實現(xiàn)遷移學習
19.1?問題:如何發(fā)揮小數(shù)據(jù)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(xiàn)遷移學習
19.5?后續(xù)思考
19.6?小結(jié)
第20章?用Keras實現(xiàn)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(nèi)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(xiàn)風格遷移
20.6?后續(xù)思考
20.7?小結(jié)
張全偉 (2021/4/7 15:58:00):這本書真的很好,講的內(nèi)容豐富,細節(jié)到位,希望能得
到吳老師的聯(lián)系方式,有些問題我想不通