Python人工智能算法與應用

蔡靜,佛山大學物理與光電工程學院教師，研究領域為凝聚態理論、數值計算、光電探測，著有《MATLAB R2015a 小波分析》《Python機器學習與應用案例》。

 

目錄

 

 

第1章聞名不如見面

 

1.1初識Python

 

1.1.1Python簡介

 

1.1.2Python開發環境的搭建

 

1.1.3Python開發工具

 

1.1.4pip安裝第三方庫

 

1.2Python語言基礎

 

1.2.1Python語言特點

 

1.2.2Python變量

 

1.2.3Python基本輸入輸出

 

1.3運算符

 

1.4流程控制語句

 

1.4.1循環語句

 

1.4.2條件語句

 

1.4.3循環控制

 

1.5序列

 

1.5.1序列索引

 

1.5.2序列切片

 

1.5.3檢查元素

 

1.6列表

 

1.6.1創建列表

 

1.6.2列表的基本操作

 

1.7元組

 

1.7.1元組與列表的對比

 

1.7.2元組的創建

 

1.7.3元組的基本操作

 

1.8字典

 

1.8.1字典的聲明

 

1.8.2字典的鍵與值

 

1.8.3字典的基本操作

 

1.9繪圖

 

第2章認識新友

 

2.1人工智能的研究方向

 

2.2人工智能、機器學習、深度學習的關系

 

2.2.1關系圖

 

2.2.2人工智能

 

2.2.3人類智能過程

 

2.2.4機器學習

 

2.2.5深度學習

 

2.3人工智能的發展史

 

2.3.1人工智能的起源

 

2.3.2發展歷程

 

2.4新一代人工智能

 

2.4.1新一代人工智能的主驅動因素

 

2.4.2新一代人工智能的主要發展特征

 

2.5人工智能的研究領域

 

2.6人工智能的應用場景

 

2.6.1計算機視覺

 

2.6.2語音技術

 

2.6.3自然語言處理

 

2.6.4決策支持系統

 

2.6.5大數據應用

 

第3章學經典知新義

 

3.1線性回歸

 

3.1.1一元線性回歸

 

3.1.2多元線性回歸

 

3.1.3損失函數

 

3.1.4線性回歸的應用

 

3.1.5多重共線

 

3.1.6嶺回歸

 

3.2邏輯回歸

 

3.2.1邏輯回歸模型的原理

 

3.2.2邏輯回歸算法的實現

 

3.3主成分分析

 

3.3.1特征維度約減

 

3.3.2主成分分析的基本概念

 

3.3.3高維數據向低維數據映射

 

3.3.4主成分分析降噪

 

3.4線性判別分析

 

3.4.1LDA的基本思想

 

3.4.2圖解LDA

 

3.4.3二類LDA算法的原理

 

3.4.4LDA與PCA的異同

 

3.4.5LDA的優缺點

 

3.4.6LDA的應用

 

3.5決策樹

 

3.5.1決策樹的運行機制

 

3.5.2熵與信息熵

 

3.5.3ID3算法

 

3.5.4C4.5算法

 

3.5.5CART算法

 

3.5.6決策樹的分類可視化

 

3.5.7決策樹在回歸中的應用

 

3.6隨機森林

 

3.6.1隨機森林的發展史

 

3.6.2隨機森林的算法原理

 

3.6.3隨機森林的特點

 

3.6.4隨機森林的調優策略

 

3.6.5隨機森林的應用

 

3.7集成學習

 

3.7.1Bagging算法

 

3.7.2Boosting算法

 

3.7.3Stacking算法

 

3.8樸素貝葉斯

 

3.8.1貝葉斯的定義

 

3.8.2樸素貝葉斯算法

 

3.8.3樸素貝葉斯模型

 

3.8.4拉普拉斯平滑系數

 

3.8.5樸素貝葉斯的應用

 

3.9K近鄰算法

 

3.9.1K近鄰算法的步驟

 

3.9.2K近鄰模型

 

3.9.3kd樹

 

3.9.4K近鄰算法的應用

 

3.10KMeans聚類

 

3.10.1KMeans的原理

 

3.10.2KMeans的算法流程

 

3.10.3K個聚類中心初始值的選擇

 

3.10.4KMeans算法的應用

 

3.10.5MiniBatch KMeans算法

 

3.10.6KMeans系列聚類算法

 

3.11支持向量機

 

3.11.1支持向量機的定義

 

3.11.2SVM的基本原理

 

3.11.3SVM的優缺點

 

3.11.4SVM算法的應用

 

3.12推薦算法

 

3.12.1基於內容推薦

 

3.12.2協同過濾推薦

 

3.12.3混合推薦系統

 

3.12.4基於知識推薦

 

3.12.5基於模型推薦

 

3.12.6多臂老虎機

 

3.13SVD算法

 

3.13.1特征值分解

 

3.13.2奇異值分解

 

3.13.3酉矩陣的定義

 

3.13.4奇異值分解的實現

 

第4章深度交流

 

4.1深度學習概述

 

4.1.1核心原理

 

4.1.2深度學習與傳統機器學習

 

4.1.3深度學習的關鍵概念

 

4.1.4深度學習的主要架構

 

4.2深度學習的鼻祖——感知器

 

4.2.1單層感知器

 

4.2.2多層感知器

 

4.3卷積神經網絡

 

4.3.1卷積神經網絡的原理

 

4.3.2常見卷積神經網絡

 

4.4循環神經網絡

 

4.4.1循環神經網絡的結構

 

4.4.2循環神經網絡的原理

 

4.4.3長程依賴問題

 

4.4.4基於門控的循環神經網絡

 

4.5生成式對抗網絡

 

4.5.1生成器

 

4.5.2判別器

 

4.5.3損失函數

 

4.5.4對抗訓練的目標

 

4.5.5最優化過程

 

4.6深度強化學習

 

4.6.1強化學習

 

4.6.2深度強化學習概述

 

4.6.3深度強化學習的應用

 

第5章遷移手拉手

 

5.1遷移學習

 

5.1.1遷移學習的概念

 

5.1.2遷移學習的核心與方法

 

5.2風格遷移

 

5.2.1風格遷移的定義

 

5.2.2風格遷移的方法

 

5.2.3風格遷移的實現

 

第6章學以致用

 

6.1人工智能在機器學習中的應用

 

6.2人工智能在語音識別中的應用

 

6.2.1語音識別概述

 

6.2.2獲取並整理樣本

 

6.2.3訓練模型

 

6.3人工智能在音頻生成技術中的應用

 

6.3.1音頻生成的概念

 

6.3.2音頻生成的應用

 

6.3.3應用實例演示

 

6.4人工智能在網絡爬蟲中的應用

 

6.4.1什麼是爬蟲

 

6.4.2Beautiful Soup工具

 

6.4.3創建雲起書院爬蟲

 

6.5人工智能在計算機視頻中的應用

 

6.6人工智能在網絡遷移中的應用

 

6.7人工智能在叫號系統中的應用

 

6.7.1分析項目

 

6.7.2模塊準備

 

6.7.3項目實踐

 

6.8人工智能在文本生成技術中的應用

 

6.8.1文本生成的核心要素

 

6.8.2文本生成的應用

 

6.9人工智能在圖像生成技術中的應用

 

6.9.1圖像生成概述

 

6.9.2圖像生成技術概述

 

6.9.3應用領域