【总目录3】Python、神经网络与深度学习、毕业设计总结大全

本目录主要为Python相关目录，主要包含Python相关知识、神经网络与深度学习和毕业设计（基于机器学习及深度学习的心脏病预测方法）的Python实现等。
上文目录链接：https://blog.csdn.net/didi_ya/article/details/124609166，该目录主要介绍MATLAB相关知识。

一、Python相关软件保姆级安装教程

1. Sublime Text安装及插件安装
2. Sublime Text3如何配置Python交互式命令行？
   这里我已经不推荐安装Sublime Text了，因为它的交互式界面实在做的太烂了！！！
如果想要安装编译器，建议安装vs code，轻量级，界面友好，参考下文
3. VS Code大道至简——安装到配置
4. VS Code输出窗口显示中文乱码的解决办法（汇总择优）
5. Visdom库（pytorch中的可视化工具）安装问题的解决方案及使用方法详解
6. Python入门之开发环境配置：Anaconda与PyCharm的安装详解
7. 【Python基础】PyCharm配置Python虚拟环境详解
8. 关于Python、Pytorch、Tensorflow深度学习版本问题踩的一些坑说明（详细版本说明）

二、毕业设计（2）——基于机器学习及深度学习的心脏病预测方法

1. 基于机器学习的心脏病预测方法（1）——心脏病及Heart Disease UCI数据集介绍
2. 基于机器学习的心脏病预测方法（2）——Heart Disease UCI数据集可视化介绍
3. 基于机器学习的心脏病预测方法（3）——数据预处理及评价指标介绍
4. 基于机器学习的心脏病预测方法（4）——逻辑回归（Logistic Regression）
5. 基于机器学习的心脏病预测方法（5）——随机森林（Random Forest）
6. 基于机器学习的心脏病预测方法（6）——朴素贝叶斯（Naive Bayes）
7. 基于机器学习的心脏病预测方法（7）——K最近邻算法（KNN）
8. 基于机器学习的心脏病预测方法（8）——决策树（Decision Tree）
9. 基于机器学习的心脏病预测方法（9）——支持向量机（SVM）
10. 基于机器学习的心脏病预测方法（10）——卷积神经网络（CNN）
11. 基于机器学习的心脏病预测方法（11）——梯度提升机（GBM）
12. 基于机器学习的心脏病预测方法（12）——极端梯度提升树（eXtreme Gradient Boosting）
13. 基于机器学习的心脏病预测方法（13）——人工神经网络（ANN）【本专栏完结】
14. 【拓展】基于机器学习的心脏病预测方法（14）——心脏病数据集补充

三、Python常见示例

1. 二维码介绍及二维码的Python生成
2. Python实例之七段数码管绘制
3. 三维曲面的绘制（Python/MATLAB）
4. Python实例之利用h5py库保存数据集
5. python简单案例（1）——实现读取csv文件并按照列的从大到小进行排序
6. 利用python的matplotlib库进行科研绘图方法总结（保存矢量图）
7. 箱线图详细介绍及绘制箱线图和复现箱线图的步骤详解

四、Python常见问题汇总

1. python库安装的时候常见问题
2. 安装完Anoconda后，在命令行输入python出现“Warning:This Python interpreter is in a conda environment解决方案
3. 安装Anaconda时忘记点击自动配置环境变量的解决方案/手动配置Anaconda环境变量方法
4. RuntimeWarning: Glyph 20998 missing from current font.（matplotlib中文显示问题的解决方案）
5. Python如何解决“AttributeError:module‘tensorflow‘没有属性‘get_default_graph‘”（附TensorFlow与Keras的对应关系）

五、PyTorch教程

1. PyTorch安装教程
2. PyTorch疑难杂症（1）——torch.matmul()函数用法总结
3. PyTorch实战案例（一）——利用PyTorch实现线性回归算法（基础）
4. PyTorch实战案例（二）——利用PyTorch实现线性回归算法（进阶）
5. PyTorch实战案例（三）——利用PyTorch实现多层感知机算法
6. PyTorch实战案例（四）——利用PyTorch实现卷积神经网络LeNet-5
7. PyTorch实战案例（五）——利用PyTorch实现循环神经网络RNN算法对mnist数据集分类
8. PyTorch重难点（一）——利用Dataset和DataLoader构建数据集原理介绍
9. PyTorch重难点（二）——利用Dataset和DataLoader构建数据集代码实战
10. PyTorch重难点（三）——详解PyTorch的自动求导（梯度）机制
11. 以MNIST数据集为例，详解PyTorch搭建神经网络方法步骤（最详细）
12. 简单介绍一下tensorflow与pytorch的相互转换（主要是tensorflow转pytorch）
13. pytorch与keras的相互转换（代码以LeNet-5为例）
14. PyTorch可视化工具库PyTorchViz下载安装详解

六、神经网络与深度学习

6.1 神经网络基础知识

1. 深度学习基础知识——信息论（自信息、信息熵与马尔科夫链）
2. 神经网络之Mini-Batch梯度下降
3. 关于最小二乘法的相关知识
4. 神经网络常见评价指标超详细介绍（ROC曲线、AUC指标、AUROC）
5. 神经网络科研绘图可视化工具

6.2 BP神经网络

6.3 卷积神经网络（CNN）

1. 详解卷积神经网络LeNet-5
2. 卷积神经网络LeNet-5的pytorch代码实现
3. 利用CNN对时序数据进行分类

6.4 循环神经网络（RNN）

1. 循环神经网络RNN入门介绍
2. 循环神经网络案例（1）——利用Keras搭建循环神经网络进行股票价格预测
3. 循环神经网络案例（2）——利用MATLAB搭建循环神经网络进行厄尔尼诺指数预测

七、生成对抗网络（GAN）

7.1 基础介绍

1. GAN可视化工具——GAN Lab介绍
2. GAN生成对抗网络入门介绍及DCGAN、WGAN等介绍
3. 生成对抗网络前言（1）——生成对抗网络的数学推导
4. 生成对抗网络前言（2）——自动编码器（auto-encoder）介绍
5. 生成对抗网络前言（3）——其他自动编码器介绍（稀疏自动编码器、深度自动编码器、卷积自动编码器、序列到序列的自动编码器）及自动编码器在图像去噪领域的应用
6. 生成对抗网络前言（4）——变分自动编码器（Variational autoencoder，VAE）介绍

7.2 基于Keras的生成对抗网络

1. 基于Keras的生成对抗网络（1）——利用Keras搭建简单GAN生成手写体数字
2. 基于Keras的生成对抗网络（2）——利用Keras搭建DCGAN生成手写体数字
3. 基于Keras的生成对抗网络（3）——利用Keras搭建CGAN生成手写体数字并贴上标签
4. 基于Keras的生成对抗网络（4）——利用Keras搭建ACGAN生成手写体数字并贴上标签
5. 基于Keras的生成对抗网络（5）——利用Keras搭建LSGAN生成手写体数字
6. 基于Keras的生成对抗网络（6）——利用Keras搭建CycleGAN实现风格迁移
7. 基于Keras的生成对抗网络进阶（1）——利用Keras和GAN进行简单函数拟合
8. 基于Keras的生成对抗网络进阶（2）——利用Keras和GAN进行正弦函数拟合
9. 基于Keras的生成对抗网络进阶（3）——利用Keras和GAN进行幂函数拟合

7.3 基于Pytorch的生成对抗网络

1. 利用PyTorch搭建生成对抗网络的训练步骤
2. 基于PyTorch的生成对抗网络入门（1）——利用PyTorch搭建入门生成对抗网络（GAN）超详解
3. 基于PyTorch的生成对抗网络入门（2）——利用PyTorch搭建基础生成对抗网络（GAN）超详解
4. 基于PyTorch的生成对抗网络入门（3）——利用PyTorch搭建生成对抗网络（GAN）生成彩色图像超详解
5. 基于PyTorch的生成对抗网络入门（4）——利用PyTorch搭建深度卷积生成对抗网络（DCGAN）生成彩色图像超详解
6. 基于PyTorch的生成对抗网络入门（5）——利用PyTorch搭建条件生成对抗网络（CGAN）超详解
7. 基于PyTorch的生成对抗网络实战（1）——利用Pytorch搭建GAN生成手写数字
8. 基于PyTorch的生成对抗网络实战（2）——利用Pytorch搭建DCGAN生成手写数字
9. 基于PyTorch的生成对抗网络实战（3）——利用Pytorch搭建CGAN生成手写数字并贴上标签
10. 基于PyTorch的生成对抗网络实战（4）——利用Pytorch搭建LSGAN生成手写数字
11. 基于PyTorch的生成对抗网络实战（5）——利用Pytorch搭建WGAN生成手写数字
12. 基于PyTorch的生成对抗网络实战（6）——利用Pytorch搭建WGAN-GP生成手写数字
13. 基于PyTorch的生成对抗网络实战（7）——利用Pytorch搭建SGAN（Semi-Supervised GAN）生成手写数字并分类
14. 基于PyTorch的生成对抗网络进阶（1）——利用PyTorch和GAN进行复杂函数拟合
15. 基于PyTorch的生成对抗网络进阶（2）——利用PyTorch和GAN实现TripleGAN对手写数字生成和分类

7.4 基于GAN的离散缺失数据填补

1. 缺失数据填补基础方法（1）——k-Nearest Neighbors (kNN) 填补
2. 缺失数据填补基础方法（2）——Random Forest (MissForest)填补
3. 缺失数据填补基础方法（3）——Multiple Imputation by Chained Equations (MICE)
4. 缺失数据填补数据集介绍（1）——多种数据集介绍及数据集预处理（breast、covertype、credit、eeg、iris和letter）
5. 缺失数据填补数据集介绍（2）——多种数据集介绍及数据集预处理（mushroom、news、spam、wine-red和yeast）
6. GAIN: Missing Data Imputation using Generative Adversarial Nets（基于生成对抗网络的缺失数据填补）论文详解
7. GAIN的代码实现（1）——基于GAN的MNIST数据集图像缺失数据填补
8. GAIN的代码实现（2）——基于GAN的Spam数据集缺失数据填补
9. GAIN的代码实现（3）——基于GAN的Spam数据集缺失数据填补（序）
   10.GAIN的代码实现（4）——基于GAN的Spam数据集缺失数据填补（序）【改进版】
10. Slim GAIN（SGAIN）介绍及代码实现——基于生成对抗网络的缺失数据填补
11. Wasserstein Slim GAIN with Clipping Penalty（WSGAIN-CP）介绍及代码实现——基于生成对抗网络的缺失数据填补
12. Wasserstein Slim GAIN with Gradient Penalty（WSGAIN-GP）介绍及代码实现——基于生成对抗网络的缺失数据填补
13. FGAN介绍及代码实现——基于生成对抗网络的缺失数据填补

7.5 基于GAN的时序缺失数据填补

1. 基于GAN的时序缺失数据填补前言（1）——RNN介绍及pytorch代码实现
2. BRITS: Bidirectional Recurrent Imputation for Time Series（时间序列的双向递归填补）论文详解
3. NAOMI: Non-Autoregressive MultiresolutionSequence Imputation（非自回归多分辨率序列填补）论文详解
4. NAOMI代码详解

八、tensorflow教程

1. tensorflow可视化工具库tensorboard使用方法详解
2. tensorboard拒绝连接的解决方法总结（如何使用tensorboard查看可视化图像总结）
3. PhysioNet2017数据集介绍
4. PhysioNet2017分类的代码实现

---

（注：目录每两个月更新一次）【最近一次更新于：2023.6.20】

下文目录链接：https://blog.csdn.net/didi_ya/article/details/124609844，该目录主要介绍C/C++相关知识。