第 1章 从数学建模到人工智能1
1.1 数学建模 1
1.1.1 数学建模与人工智能 1
1.1.2 数学建模中的常见问题 4
1.2 人工智能下的数学 12
1.2.1 统计量 12
1.2.
第 1章 从数学建模到人工智能1
1.1 数学建模 1
1.1.1 数学建模与人工智能 1
1.1.2 数学建模中的常见问题 4
1.2 人工智能下的数学 12
1.2.1 统计量 12
1.2.2 矩阵概念及运算 13
1.2.3 概率论与数理统计 16
1.2.4 高等数学——导数、微分、不定积分、定积分 19
第 2章 Python快速入门 24
2.1 安装Python 24
2.1.1 Python安装步骤 24
2.1.2 IDE的选择 27
2.2 Python基本操作 28
2.2.1 第 一个小程序 28
2.2.2 注释与格式化输出 28
2.2.3 列表、元组、字典 34
2.2.4 条件语句与循环语句 37
2.2.5 break、continue、pass 40
2.3 Python不错操作 41
2.3.1 lambda 41
2.3.2 map 42
2.3.3 filter 43
第3章 Python科学计算库NumPy 45
3.1 NumPy简介与安装 45
3.1.1 NumPy简介 45
3.1.2 NumPy安装 45
3.2 基本操作 46
3.2.1 初识NumPy 46
3.2.2 NumPy数组类型 47
3.2.3 NumPy创建数组 49
3.2.4 索引与切片 56
3.2.5 矩阵合并与分割 60
3.2.6 矩阵运算与线性代数 62
3.2.7 NumPy的广播机制 69
3.2.8 NumPy统计函数 71
3.2.9 NumPy排序、搜索 75
3.2.10 NumPy数据的保存 79
第4章 常用科学计算模块快速入门 80
4.1 Pandas科学计算库 80
4.1.1 初识Pandas 80
4.1.2 Pandas基本操作 82
4.2 Matplotlib可视化图库 94
4.2.1 初识Matplotlib 94
4.2.2 Matplotlib基本操作 96
4.2.3 Matplotlib绘图案例 98
4.3 SciPy科学计算库 100
4.3.1 初识SciPy 100
4.3.2 SciPy基本操作 101
4.3.3 SciPy图像处理案例 103
第5章 Python网络爬虫 106
5.1 爬虫基础 106
5.1.1 初识爬虫 106
5.1.2 网络爬虫的算法 107
5.2 爬虫入门实战 107
5.2.1 调用API 107
5.2.2 爬虫实战 112
5.3 爬虫进阶—高效率爬虫 113
5.3.1 多进程 113
5.3.2 多线程 114
5.3.3 协程 115
5.3.4 小结 116
第6章 Python数据存储 117
6.1 关系型数据库MySQL 117
6.1.1 初识MySQL 117
6.1.2 Python操作MySQL 118
6.2 NoSQL之MongoDB 120
6.2.1 初识NoSQL 120
6.2.2 Python操作MongoDB 121
6.3 本章小结 123
6.3.1 数据库基本理论 123
6.3.2 数据库结合 124
6.3.3 结束语 125
第7章 Python数据分析 126
7.1 数据获取 126
7.1.1 从键盘获取数据 126
7.1.2 文件的读取与写入 127
7.1.3 Pandas读写操作 129
7.2 数据分析案例 130
7.2.1 普查数据统计分析案例 130
7.2.2 小结 139
第8章 自然语言处理 140
8.1 Jieba分词基础 140
8.1.1 Jieba中文分词 140
8.1.2 Jieba分词的3种模式 141
8.1.3 标注词性与添加定义词 142
8.2 关键词提取 144
8.2.1 TF-IDF关键词提取 145
8.2.2 TextRank关键词提取 147
8.3 word2vec介绍 150
8.3.1 word2vec基础原理简介 150
8.3.2 word2vec训练模型 153
8.3.3 基于gensim的word2vec实战 154
第9章 从回归分析到算法基础 160
9.1 回归分析简介 160
9.1.1 “回归”一词的来源 160
9.1.2 回归与相关 161
9.1.3 回归模型的划分与应用 161
9.2 线性回归分析实战 162
9.2.1 线性回归的建立与求解 162
9.2.2 Python求解回归模型案例 164
9.2.3 检验、预测与控制 166
第 10章 从K-Means聚类看算法调参 171
10.1 K-Means基本概述 171
10.1.1 K-Means简介 171
10.1.2 目标函数 171
10.1.3 算法流程 172
10.1.4 算法优缺点分析 174
10.2 K-Means实战 174
第 11章 从决策树看算法升级 180
11.1 决策树基本简介 180
11.2 经典算法介绍 181
11.2.1 信息熵 181
11.2.2 信息增益 182
11.2.3 信息增益率184
11.2.4 基尼系数 185
11.2.5 小结 185
11.3 决策树实战 186
11.3.1 决策树回归 186
11.3.2 决策树的分类 188
第 12章 从朴素贝叶斯看算法多变 193
12.1 朴素贝叶斯简介 193
12.1.1 认识朴素贝叶斯 193
12.1.2 朴素贝叶斯分类的工作过程 194
12.1.3 朴素贝叶斯算法的优缺点 195
12.2 3种朴素贝叶斯实战 195
第 13章 从推荐系统看算法场景 200
13.1 推荐系统简介 200
13.1.1 推荐系统的发展 200
13.1.2 协同过滤 201
13.2 基于文本的推荐 208
13.2.1 标签与知识图谱推荐案例 209
13.2.2 小结 217
第 14章 从TensorFlow开启深度学习之旅 218
14.1 初识TensorFlow 218
14.1.1 什么是TensorFlow 218
14.1.2 安装TensorFlow 219
14.1.3 TensorFlow基本概念与原理 219
14.2 TensorFlow数据结构 221
14.2.1 阶 221
14.2.2 形状 221
14.2.3 数据类型 221
14.3 生成数据十二法 222
14.3.1 生成Tensor 222
14.3.2 生成序列 224
14.3.3 生成随机数 225
14.4 TensorFlow实战 225
参考文献 230
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
