 |
-- 會員 / 註冊 --
|
 |
|
|
|
人工智能入門 常用工具 ( 簡體 字) |
| 作者：張曉明 | 類別：1. -> 程式設計 -> 人工智慧
2. -> 程式設計 -> Python |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 52852
詢問書籍請說出此書號！【有庫存】
NT售價： 295 元 |
| 出版日：6/1/2020 |
| 頁數：223 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115505439 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書基于流行的Python語言，本書從案例出發，展示各種工具的適用場景、關鍵用法和應用技巧。本書分成四大單元，包括Python語法精講、數據預處理和可視化、機器學習、深度學習4個單元。涵蓋了Python、Pandas、Matplotlib、Seaborn、Scikit-learn、TensorFlow、Keras等7種主流工具。 |
目錄：第 1章Python語法要素 1
1.1用模塊組織代碼 1
1.2模塊的兩種使用方式 2
1.3編程的語法要素 4
1.3.1變量 4
1.3.2變量的數據類型和運算 5
1.4代碼實戰 1：計算二維空間兩個點的距離 6
1.5數據結構 7
1.5.1列表 9
1.5.2字典 10
1.6代碼實戰 2：計算三維空間中兩個點的距離 11
第 2章語法結構 13
2.1分支結構 13
2.2循環結構 14
2.2.1退出循環 15
2.2.2else 16
2.3代碼實戰：計算高維空間兩個點的距離 16
第3章函數和類 18
3.1函數 18
3.1.1定義函數 18
3.1.2代碼實戰：距離函數 19
3.2類和對象 20
3.3類和繼承 22
3.4小結 24
第4章走進機器學習 25
4.1不要關心概念 26
4.2數據建模 27
4.2.1用數學公式建模 27
4.2.2用概率建模 28
4.3機器學習的功能 30
4.3.1什么是分類問題 30
4.3.2什么是回歸問題 32
4.3.3什么是聚類問題 34
4.4小結 36
第5章如何獲取數據 37
5.1代碼實戰1：獲得鳶尾花數據集 37
5.2 專家解讀 39
5.3代碼實戰2：獲得新聞數據集 40
5.4專家解讀 41
5.5代碼實戰3：生成不均衡數據集 41
5.6專家解讀 42
5.7小結 44
第6章讀取外部數據 45
6.1代碼實戰1：從文件讀取數據 45
6.2專家解讀 46
6.2.1對時間的處理 47
6.2.2大文件迭代 47
6.2.3CSV文件的寫操作 48
6.3libsvm格式文件的讀寫 49
6.4專家解讀 50
6.5代碼實戰2：從MySQL讀取數據 51
第7章數據可視化探索 53
7.1作者建議 53
7.2代碼實戰 1：觀察分布 54
7.3代碼實戰 2：觀察變量間關系 59
7.4小結 63
第8章數據清洗 65
8.1代碼實戰 1：特征類型校準 65
8.2代碼實戰 2：數據分布可視化 67
8.3代碼實戰 3：處理缺失值 69
8.4代碼實戰 4：經驗法則和異常值處理 72
8.5代碼實戰 5：方差分析和變量篩選 75
第9章如何做回歸 79
9.1代碼實戰 1：經典回歸 79
9.2專家解讀 82
9.3代碼實戰 2：多元線性回歸 84
9.4專家解讀 86
9.5代碼實戰 3：嶺回歸 86
9.6專家解讀 87
9.7代碼實戰 4：Lasso回歸 88
9.8專家解讀 89
9.9代碼實戰 5：KDE回歸 90
9.10專家解讀 93
9.11小結 95
第 10章支持向量機和圖像分類 96
10.1代碼實戰 1：支持向量機和圖像識別 96
10.2專家解讀 101
10.3代碼實戰 2：核技巧 104
10.4代碼實戰 3：軟間隔 vs 硬間隔 108
10.5小結 109
第 11章模型評估和優化 110
11.1代碼實戰 1：如何評估模型的分數 111
11.2專家解讀 112
11.3代碼實戰 2：繪制ROC曲線 114
11.4專家解讀 117
11.5代碼實戰 3：使用交叉驗證對模型評分 118
11.6小結 121
第 12章神經網絡和深度學習 122
12.1神經網絡 122
12.1.1M-P神經元模型 124
12.1.2前饋神經網絡 124
12.2卷積神經網絡 125
12.2.1CNN的典型結構示意 126
12.2.2卷積層 127
12.2.3ReLU層 128
12.2.4池化層 129
12.2.5全連接層 129
12.3BP算法 129
12.4盤點著名的CNN架構 130
第 13章深度學習的硬件和軟件 133
13.1為什么是GPU 133
13.1.1GPU和矩陣運算 134
13.1.2CUDA 135
13.2深度學習框架 136
13.2.1框架的意義 137
13.2.2各種框架盤點 138
13.2.3什么是Keras 139
13.3小結 142
第 14章TensorFlow入門 143
14.1初識 143
14.2專家解讀 144
14.3代碼實戰：線性回歸 148
14.4小結 152
第 15章Keras入門必讀 153
15.1代碼實戰1：用Keras做線性回歸模型 154
15.2專家解讀 157
15.2.1序列模型和函數式模型的區別 158
15.2.2激活層的簡寫 159
15.2.3Keras的scikit-learn接口 160
15.3 代碼實戰2：手寫數字識別 161
15.4專家解讀 168
15.5小結 172
第 16章識別交通標志 174
16.1認識數據 174
16.2從圖片文件到張量 176
16.3搭建網絡模型 181
16.4訓練模型 183
16.5圖像增強改進 187
16.6小結 191
第 17章站在巨人的肩膀上 193
17.1代碼實戰1：用VGG16做圖像識別 194
17.2代碼實戰2：特征提取 196
17.3代碼實戰3：遷移學習 197
17.4經典網絡通覽 203
17.4.1VGG16 204
17.4.2GoogLeNet(Inception) 207
17.4.3ResNet 211
17.5小結 214
附錄 工作環境搭建說明 215 |
| 序： |
|
