深入淺出Python人工智能
段小手
- 出版商: 清華大學
- 出版日期: 2026-08-01
- 售價: $594
- 語言: 簡體中文
- 頁數: 314
- ISBN: 7302720967
- ISBN-13: 9787302720966
-
相關分類:
Machine Learning、Python
下單後立即進貨 (約4週~6週)
商品描述
"本書以Python為工具、以實戰為核心，構建從入門到進階的AI完整學習體系，適合零基礎學習者、轉型從業者及AI愛好者。全書共18章，涵蓋傳統機器學習算法、數據工程化能力、深度學習及生成式AI等核心內容，前言解析職業前景，結束語提供進階建議。 本書貼合初學者認知規律，詳略安排得當、實用性強，以幽默的語言和貼近生活的實例引導讀者入門，配套可直接落地的Python代碼示例，避免了純理論堆砌。 讀者對象包括零基礎入門者、跨崗轉型人員、院校學生、創業者及各類AI興趣愛好者，既可作為入門引路書，也可作為提升實戰能力的工具書。"
作者簡介
段小手，專註於人工智能與機器學習領域，長期從事Python人工智能與數據智能研究，曾出版《深入淺出Python機器學習》《深入淺出Python量化交易實戰》等專業暢銷圖書。擁有多年互聯網與數據科學實踐經驗，參與多項企業級智能化項目。近年來提出“AI Worldview”研究框架，從大模型語料與信息結構出發，分析AI如何影響技術敘事、產業認知與投資方向。
目錄大綱
第1章 概述
1.1 什麼是人工智能——從一個小故事開始
1.2 人工智能的一些應用場景——蝙蝠公司的業務單元
1.3 人工智能應該如何入門——世上無難事
1.3.1 從一種編程語言開始
1.3.2 熟悉機器學習中的基本概念
1.3.3 了解機器學習中最常見的算法
1.3.4 掌握對數據進行處理的技巧
1.3.5 學會讓模型更好地工作
1.3.6 動手，一定要動手操作
1.4 有監督學習與無監督學習
1.5 機器學習中的分類與回歸
1.6 模型的泛化、過擬合與欠擬合
1.7 本章小結
第2章 基於Python語言的環境配置
2.1 Python的下載和安裝
2.2 Jupyter Notebook的安裝與使用
2.2.1 使用pip進行Jupyter Notebook的下載和安裝
2.2.2 運行Jupyter Notebook
2.2.3 Jupyter Notebook的使用
2.3 一些必需庫的安裝及功能簡介
2.3.1 Numpy——基礎科學計算庫
2.3.2 Scipy——強大的科學計算工具集
2.3.3 pandas——數據分析的利器
2.3.4 matplotlib——畫出優美的圖形
2.4 scikit-learn——非常流行的Python機器學習庫
2.5 本章小結
第3章 K最近鄰算法——近朱者赤，近墨者黑
3.1 K最近鄰算法的原理
3.2 K最近鄰算法的用法
3.2.1 K最近鄰算法在分類任務中的應用
3.2.2 K最近鄰算法處理多元分類任務
3.2.3 K最近鄰算法用於回歸分析
3.3 K最近鄰算法項目實戰——酒的分類
3.3.1 對數據集進行分析
3.3.2 生成訓練數據集和測試數據集
3.3.3 使用K最近鄰算法進行建模
3.3.4 使用模型對新樣本的分類進行預測
3.4 本章小結
第4章 廣義線性模型——“耿直”的算法模型
4.1 線性模型基本概念
4.1.1 線性模型的一般公式
4.1.2 線性模型的圖形表示
4.1.3 線性模型的特點
4.2 最基本的線性模型——線性回歸
4.2.1 線性回歸的基本原理
4.2.2 線性回歸的性能表現
4.3 使用L2正則化的線性模型——嶺回歸
4.3.1 嶺回歸的原理
4.3.2 嶺回歸的參數調節
4.4 使用L1正則化的線性模型——套索回歸
4.4.1 套索回歸的原理
4.4.2 套索回歸的參數調節
4.4.3 套索回歸與嶺回歸的對比
4.5 本章小結
第5章 樸素貝葉斯——打雷啦，下雨收衣服啊
5.1 樸素貝葉斯基本概念
5.1.1 貝葉斯定理
5.1.2 樸素貝葉斯的簡單應用
5.2 樸素貝葉斯算法的不同方法
5.2.1 貝努利樸素貝葉斯
5.2.2 高斯樸素貝葉斯
5.2.3 多項式樸素貝葉斯
5.3 樸素貝葉斯實戰——判斷腫瘤是良性還是惡性
5.3.1 對數據集進行分析
5.3.2 使用高斯樸素貝葉斯進行建模
5.3.3 高斯樸素貝葉斯學習曲線
5.4 本章小結
第6章 決策樹與隨機森林——來玩“讀心術”
6.1 決策樹
6.1.1 決策樹基本原理
6.1.2 決策樹的構建
6.1.3 決策樹的優勢和不足
6.2 隨機森林
6.2.1 隨機森林的基本概念
6.2.2 隨機森林的構建
6.2.3 隨機森林的優勢和不足
6.3 隨機森林實例——要不要和相親對象進一步發展
6.3.1 數據集的準備
6.3.2 用get dummies處理數據
6.3.3 用決策樹建模並做出預測
6.4 本章小結
第7章 支持向量機SVM——專治線性不可分
7.1 支持向量機SVM基本概念
7.1.1 支持向量機SVM的原理
7.1.2 支持向量機SVM的核函數
7.2 SVM的核函數與參數選擇
7.2.1 不同核函數的SVM對比
7.2.2 支持向量機的gamma參數調節
7.2.3 SVM算法的優勢與不足
7.3 SVM實例——加利福尼亞房價回歸分析
7.3.1 初步了解數據集
7.3.2 使用SVR進行建模
7.4 本章小結
第8章 神經網絡——曾入“冷宮”，如今“得寵”
8.1 神經網絡的發展歷程
8.1.1 神經網絡的起源
8.1.2 第一個感知器學習法則
8.1.3 神經網絡之父——Geoffrey Hinton
8.2 神經網絡的原理及使用
8.2.1 神經網絡的原理
8.2.2 神經網絡中的非線性矯正
8.2.3 神經網絡的參數設置
8.3 神經網絡實例——手寫識別
8.3.1 使用MNIST數據集
8.3.2 訓練MLP神經網絡
8.3.3 使用模型進行數字識別
8.4 本章小結
第9章 數據預處理、降維、特征提取及聚類——快刀斬亂麻
9.1 數據預處理
9.1.1 使用StandardScaler進行數據預處理
9.1.2 使用MinMaxScaler進行數據預處理
9.1.3 使用RobustScaler進行數據預處理
9.1.4 使用Normalizer進行數據預處理
9.1.5 通過數據預處理提高模型準確率
9.2 數據降維
9.2.1 主成分分析原理
9.2.2 對數據降維以便於進行可視化
9.2.3 原始特征與PCA主成分之間的關系
9.3 特征提取
9.3.1 主成分分析法用於特征提取
9.3.2 非負
