人工智能算法与实战（Python+PyTorch）-微课视频版

图书标准信息

• 作者 于祥雨；李旭静；邵新平
• 出版社 清华大学出版社
• 出版时间 2020-09
• 版次 1
• ISBN 9787302557821
• 定价 59.90元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 199页
• 字数 302千字

【内容简介】

本书可视为一本以问题为导向的书籍, 非常适合具备一定数据基础和Python基础的读者学习,作为一本数据科学的基础书籍,读者可以在短时间内学习数据科学的经典算法。主要阐述 python3 基础内容；常用模块进行扼要阐述和实例操作；常见统计量, 数据转换, 以及多维数组等内容, 并通过代码实现； 特色是以问题导向的方式阐述了常见的 12 种经典算法；并介绍了 pytorch 的相关内容, 并扼要阐述了深度学习中几种经典的神经网络算法, 以及 pytorch 实现经典的神经网络算法。

【作者简介】

于祥雨, 算法工程师, 杭州师范大学理学硕士, 长期从事于数据分析, 机器学习和人工智能等领域. 擅长 Python3 编程, 机器学习以及图像分类等问题.参与国家自然基金 1 项.

【目录】

第1章  准备工作

1.1  Python的安装

1.1.1  简介

1.1.2  安装

1.1.3  常用模块

1.1.4  虚拟环境

1.2  基础知识

1.2.1  认识 Python

1.2.2  数据类型

1.2.3  数据结构

1.2.4  条件判断

1.2.5  循环

1.2.6  实例

1.3  Notebook开发环境

1.3.1  搭建Jupyter

1.3.2  搭建Jupyterlab

1.4  本章小结

 

第2章  科学计算库

2.1  NumPy

2.1.1  构建数组

2.1.2  数组运算

2.1.3  函数运算

2.1.4  文件存取

2.2  SymPy

2.3  SciPy

2.3.1  非线性方程组

2.3.2  最小二乘

2.3.3  插值

2.4  pandas

2.4.1  Series

2.4.2  dataframe

2.4.3  日平均线

2.4.4  数据存取

2.5  Matplotlib

2.5.1  二维图形

2.5.2  三维图形

2.6  本章小结

 

第3章  描述性分析

3.1  数据

3.2  基本统计量

3.2.1  平均数

3.2.2  最值

3.2.3  中位数

3.2.4  众数

3.2.5  极差

3.2.6  方差

3.2.7  变异系数

3.2.8  协方差

3.2.9  相关系数

3.3  数据转换

3.3.1  中心化

3.3.2  minmax标准化

3.3.3  BoxCox转换

3.3.4  log函数转换

3.3.5  zscore标准化

3.4  常见距离

3.4.1  闵氏距离

3.4.2  余弦值相似度

3.5  多维数据

3.5.1  矩阵

3.5.2  特征值和特征向量

3.5.3  多重共线性

3.6  学生基本信息实例

3.7  本章小结

 

第4章  经典算法

4.1  线性回归

4.1.1  思想方法

4.1.2  线性回归算法步骤

4.1.3  实例

4.2  逻辑回归

4.2.1  算法思想

4.2.2  步骤

4.2.3  实例

4.3  主成分分析

4.3.1  算法思想

4.3.2  步骤

4.3.3  实例

4.4  线性判别分析

4.4.1  算法思想

4.4.2  步骤

4.4.3  实例

4.5  决策树

4.5.1  算法思想

4.5.2  步骤

4.5.3  实例

4.6  随机森林

4.6.1  算法思想

4.6.2  实例

4.7  集成学习

4.7.1  Bagging

4.7.2  Boosting

4.7.3  Stacking

4.8  朴素贝叶斯

4.8.1  算法思想

4.8.2  步骤

4.8.3  实例

4.9  k最近邻算法

4.9.1  算法思想

4.9.2  步骤

4.9.3  实例

4.10  k  means聚类

4.10.1  算法思想

4.10.2  算法步骤

4.10.3  实例

4.11  推荐算法

4.11.1  算法思想

4.11.2  基于用户的协同过滤

4.11.3  步骤

4.11.4  基于内容的协同过滤

4.11.5  总结

4.12  SVD

4.12.1  步骤

4.12.2  实例

4.13  本章小结

 

第5章  深度学习

5.1  PyTorch

5.1.1  PyTorch安装

5.1.2  创建tensor

5.1.3  基本运算

5.1.4  矩阵运算

5.2  基础知识

5.2.1  蒙特卡洛法

5.2.2  梯度下降法

5.2.3  封装实现

5.2.4  激活函数

5.2.5  softmax

5.3  前馈神经网络

5.3.1  思想原理

5.3.2  手写体识别实例

5.4  卷积神经网络

5.4.1  核函数

5.4.2  池化层

5.4.3  LeNet

5.4.4  AlexNet

5.4.5  ResNet

5.4.6  GoogLeNet

5.4.7  垃圾分类实例

5.5  生成对抗网络

5.5.1  思想原理

5.5.2  对抗网络实例

5.6  其他神经网络

5.6.1  循环神经网络

5.6.2  风格迁移神经网络

5.7  本章小结

 

参考文献