Python入門到人工智能實戰(zhàn)

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(chǔ)
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(shù)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(chǔ)
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(chǔ)
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(luò)
13.1 問題：神經(jīng)網(wǎng)絡(luò)能代替?zhèn)鹘y(tǒng)機器學習嗎
13.2 單層神經(jīng)網(wǎng)絡(luò)
13.3 多層神經(jīng)網(wǎng)絡(luò)
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(luò)
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(luò)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(luò)
15.1 問題：傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有哪些不足
15.2 卷積神經(jīng)網(wǎng)絡(luò)
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(luò)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)