Python程序設計

前言
第1章 Python與人工智慧 1
1.1 人工智慧概述 1
1.1.1 人工智慧的概念 1
1.1.2 人工智慧的發展歷程 1
1.1.3 人工智慧的知識體系及應用領域 2
1.2 人工智慧應用開發利器Python 5
1.2.1 Python是什麼 5
1.2.2 Python的特點 5
1.2.3 Python可以做什麼 6
1.2.4 Python與人工智慧 7
1.3 基於Python的主流AI開發工具 8
1.3.1 NumPy庫 8
1.3.2 Pandas庫 8
1.3.3 Matplotlib庫 8
1.3.4 TensorFlow庫 9
1.3.5 Keras庫 11
1.3.6 PyTorch庫 12
1.3.7 PyTorch與TensorFlow的對比 13
本章練習 14

第2章 Python程式設計基礎 15
2.1 Python的安裝 15
2.1.1 Python直譯器的安裝 15
2.1.2 PyCharm整合開發環境的安裝 21
2.1.3 Python套件管理工具pip 28
2.1.4 Python相關的檔案 32
2.2 Python語法基礎 33
2.2.1 註解 33
2.2.2 Python語言的關鍵字 35
2.2.3 Python的識別符 36
2.2.4 Python的內建常量 36
2.2.5 Python的內建函式 37
2.3 Python引用 40
2.3.1 命名空間 40
2.3.2 模組的匯入與使用 41
2.4 Python的基本資料型別 42
2.5 Python的運算子與運算式 46
2.6 Python的程式碼撰寫規範 48
本章練習 49

第3章 Python程式設計進階 51
3.1 Python資料結構、程式流程控制、函式與檔案 51
3.1.1 Python資料結構 51
3.1.2 Python程式流程控制 66
3.1.3 例外處理 78
3.1.4 函式 81
3.1.5 檔案 98
3.2 Python物件導向程式設計 108
3.2.1 類 109
3.2.2 類方法、實例方法、靜態方法 113
3.2.3 物件 117
3.2.4 封裝、繼承、多型 119
3.2.5 物件導向案例精析 124
本章練習 129

第4章 人工智慧應用開發的常用演算法與模型 131
4.1 監督學習模型 131
4.1.1 決策樹 131
4.1.2 貝葉斯分類演算法 132
4.1.3 神經網路 132
4.1.4 支援向量機（SVM） 132
4.1.5 集成學習分類模型 132
4.1.6 其他分類學習模型 132
4.2 非監督學習模型 133
4.2.1 K-means聚類 133
4.2.2 基於密度的聚類 133
4.2.3 層次聚類方法 133
4.2.4 譜聚類 133
4.3 半監督學習 134
4.3.1 半監督學習概述 134
4.3.2 Multi-view algorithm（多視角演算法） 134
4.3.3 Graph-Based Algorithms（基於圖的演算法） 134
4.4 文字處理模型 134
4.4.1 分詞模型 134
4.4.2 TF-IDF模型 135
4.4.3 LDA模型 135
4.5 強化學習 136
4.5.1 強化學習概述 136
4.5.2 基本模型和原理 136
4.5.3 網路模型設計 137
4.6 深度學習 137
4.6.1 概要介紹 138
4.6.2 深度學習的特點 139
4.6.3 深度學習的典型模型 139
4.6.4 深度學習的訓練過程 140
4.6.5 深度學習的常見應用 141
4.7 模型評價指標 142
4.7.1 模型評價概述 142
4.7.2 常用的模型評價方法 143
4.8 人工神經網路 144
4.8.1 人工神經網路概述 144
4.8.2 網路模型 145
4.8.3 人工神經網路的應用分析 145
4.8.4 多層神經網路 148
4.8.5 啟動函式 148
4.8.6 卷積神經網路 149
4.8.7 循環神經網路 156
4.9 人工智慧應用的構建 158
4.9.1 資料處理 158
4.9.2 模型設計 159
4.9.3 模型訓練 159
4.9.4 模型評估 160
4.9.5 模型測試 160
4.9.6 模型部署 161
本章練習 162

第5章 NumPy：生成和處理資料 163
5.1 NumPy的安裝 163
5.2 NumPy入門 163
5.2.1 數值計算 163
5.2.2 是否使用NumPy的執行時間對比 165
5.2.3 陣列和矩陣計算 166
5.3 NumPy陣列操作相關函式 170
5.4 NumPy數學函式 175
5.4.1 NumPy常用數學函式基礎 175
5.4.2 NumPy常用統計函式 179
5.4.3 NumPy常用向量和矩陣函式 184
5.5 NumPy資料分類案例 188
5.5.1 線性回歸的基本概念 188
5.5.2 損失函式的設定 189
5.5.3 Python程式實現 190
本章練習 194

第6章 Pandas：分析資料 195
6.1 Pandas 195
6.1.1 Pandas的由來 195
6.1.2 安裝Pandas庫 195
6.2 Series 198
6.2.1 建立Series物件 198
6.2.2 Series屬性 199
6.2.3 Series常用方法 200
6.2.4 Series物件資料繪圖 202
6.3 DataFrame 203
6.3.1 DataFrame概念 203
6.3.2 建立DataFrame物件 204
6.3.3 DataFrame屬性 206
6.3.4 DataFrame索引和切片 208
6.3.5 DataFrame資料分析 210
6.3.6 DataFrame物件視覺化 211
6.4 基於Bank Marketing資料集的行銷活動分析 213
6.4.1 資料集概述和資料結構 213
6.4.2 資料的基本資訊 213
6.4.3 客戶資料分析 214
6.4.4 行銷活動資料分析 215
6.4.5 完整程式碼及執行結果 215
本章練習 218

第7章 Matplotlib：資料視覺化 219
7.1 Matplotlib基礎 219
7.2 Matplotlib常見繪圖屬性 220
7.2.1 編寫Matplotlib程式 220
7.2.2 繪圖參數 221
7.2.3 Matplotlib的字型 222
7.2.4 其他繪圖設定 223
7.3 Matplotlib基本繪圖 224
7.3.1 折線圖 224
7.3.2 散佈圖 226
7.3.3 雙軸圖 226
7.3.4 長條圖 228
7.3.5 直方圖 229
7.3.6 圓餅圖 230
7.3.7 箱型圖 230
7.3.8 氣泡圖 232
7.3.9 等高線圖 232
7.3.10 3D曲線圖 233
7.3.11 3D散佈圖 234
7.3.12 3D等高線圖 235
7.3.13 3D線框圖 236
7.3.14 3D曲面圖 237
7.4 Matplotlib繪製互動式動態圖形 238
7.4.1 Matplotlib的事件繫結 239
7.4.2 Matplotlib常用事件 239
7.4.3 使用Matplotlib繪製動態圖形 240
7.5 使用NumPy、Pandas、Matplotlib進行電影資料分析與視覺化 247
7.5.1 取得資料 247
7.5.2 電影評分分布圖 247
7.5.3 電影時長分布圖 248
7.5.4 統計電影分類 249
本章練習 250

第8章 使用TensorFlow開發AI應用 251
8.1 TensorFlow的基本概念 251
8.2 TensorFlow執行原理 251
8.2.1 張量 253
8.2.2 變數 254
8.2.3 資料流圖和會話 255
8.3 TensorFlow深度學習 260
8.3.1 啟動函式 260
8.3.2 卷積函式 263
8.3.3 池化操作 266
8.3.4 分類函式 267
8.3.5 最佳化器 268
8.4 TensorFlow實踐案例 270
8.4.1 卷積神經網路的構建 271
8.4.2 基於循環神經網路的長短期記憶模型 274
8.4.3 基於簡單循環神經網路的股票預測 281
本章練習 282

第9章 基於Keras的AI應用開發實踐 283
9.1 Keras基礎 283
9.1.1 安裝Keras 283
9.1.2 實現卷積神經網路 284
9.1.3 模型的載入及儲存 285
9.2 Keras中的神經網路層 286
9.2.1 序列化模型 287
9.2.2 函式化模型 287
9.2.3 核心層 288
9.2.4 最佳化器 295
9.2.5 損失函式 296
9.2.6 啟動函式 296
9.3 Keras案例 297
9.3.1 基於Keras的電影評論分類問題 297
9.3.2 基於Keras構建卷積神經網路 299
9.3.3 基於Keras構建循環神經網路 301
本章練習 303

第10章 使用PyTorch實現機器學習應用 304
10.1 PyTorch開發流程 304
10.2 PyTorch開發案例 307
10.2.1 基於PyTorch的邏輯回歸 307
10.2.2 基於PyTorch構建卷積神經網路LeNet-5 309
10.2.3 基於PyTorch實現循環神經網路預測 312
本章練習 314

參考文獻 316