Python人工智能開發(fā)從入門到精通

Python基礎(chǔ)篇
第1章　關(guān)于Python與開發(fā)環(huán)境配置 2
1.1 Python入門 2
1.2 Python開發(fā)環(huán)境的配置 6
新手問答 14
本章小結(jié) 14
第2章　Python編程基礎(chǔ) 15
2.1 基礎(chǔ)語法 15
2.2 數(shù)據(jù)類型 25
2.3 邏輯控制語句 31
2.4 函數(shù) 35
新手問答 41
小試牛刀 41
本章小結(jié) 42
第3章　Python編程進階 43
3.1 高級變量 43
3.2 面向?qū)ο缶幊?57
3.3 Python模塊 61
3.4 python神經(jīng)網(wǎng)絡(luò)小實例 65
新手問答 67
小試牛刀 68
本章小結(jié) 68

人工智能篇
第4章　人工智能簡介 70
4.1 人工智能概述 70
4.2 人工智能崛起的三大基石 76
4.3 深度學習的重要性 86
新手問答 93
本章小結(jié) 94
第5章　機器學習理論基礎(chǔ) 95
5.1 機器學習概述 95
5.2 機器學習的4個分支 99
5.3 評估模型指標 106
5.4 數(shù)據(jù)預處理、特征工程和特征學習 111
5.5 過擬合與欠擬合 113
5.6 機器學習通用工作流程 116
新手問答 118
小試牛刀 118
本章小結(jié) 120
第6章　Python機器學習常用庫的應(yīng)用 121
6.1 NumPy—基礎(chǔ)科學計算庫 121
6.2 Pandas—數(shù)據(jù)分析的利器 146
6.3 Matplotlib—畫出優(yōu)美的圖形 173
6.4 scikit-learn—非常流行的Python機器學習庫 188
新手問答 193
小試牛刀 193
本章小結(jié) 194
第7章　第一個機器學習項目 195
7.1 入門項目簡介 195
7.2 數(shù)據(jù)導入 197
7.3 數(shù)據(jù)探索 199
7.4 數(shù)據(jù)可視化 204
7.5 算法評估 209
7.6 預測實施 212
新手問答 213
小試牛刀 213
本章小結(jié) 214
第8章　典型的機器學習算法及應(yīng)用實戰(zhàn) 215
8.1 k-近鄰算法 215
8.2 樸素貝葉斯分類算法 224
8.3 支持向量機 235
8.4 PCA算法 244
8.5 k-均值算法 254
新手問答 262
小試牛刀 263
本章小結(jié) 264
第9章　深度學習算法理論 265
9.1 深度學習基礎(chǔ) 265
9.2 神經(jīng)網(wǎng)絡(luò) 274
9.3 卷積神經(jīng)網(wǎng)絡(luò) 284
9.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 289
新手問答 299
小試牛刀 300
本章小結(jié) 302
第10章　深度學習之TensorFlow 303
10.1 主流的深度學習框架 303
10.2 TensorFlow環(huán)境搭建 307
10.3 TensorFlow基本知識 310
10.4 TensorFlow編程準備 315
10.5 TensorFlow基本開發(fā)步驟 342
10.6 TensorFlow的可視化 348
新手問答 353
小試牛刀 353
本章小結(jié) 354

實戰(zhàn)案例篇
第11章　人工智能識萬物 356
11.1 卷積神經(jīng)網(wǎng)絡(luò)的前世今生 356
11.2 如何構(gòu)建更深的神經(jīng)網(wǎng)絡(luò) 369
11.3 神經(jīng)網(wǎng)絡(luò)的可遷移性 414
新手問答 430
本章小結(jié) 430
第12章　人工智能知萬物 431
12.1 區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 431
12.2 快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 433
12.3 更快區(qū)域卷積神經(jīng)網(wǎng)絡(luò) 434
12.4 YOLO網(wǎng)絡(luò) 440
本章小結(jié) 466
第13章　人工智能繪萬物 467
13.1 神經(jīng)藝術(shù)風格遷移 468
13.2 基于TensorFlow的圖像風格化實現(xiàn) 473
新手問答 478
本章小結(jié) 478
參考文獻 479