PYTHON人工智能编程实践

入门篇
第1章全书指南31.1Python编程3
1.2数据分析5
1.3机器学习6
1.3.1任务8
1.3.2经验8
1.3.3表现9
1.4Kaggle竞赛11
1.5Git代码管理12
小结13
第2章基本环境搭建与配置14
2.1Windows下基本环境的搭建与配置14
2.1.1查看Windows的版本与原始配置14
2.1.2下载并安装Anaconda3（Windows版本）15
2.1.3创建虚拟环境python_env16
2.1.4在虚拟环境python_env下安装Jupyter Notebook17
2.2macOS下基本环境的搭建与配置18
2.2.1查看macOS的版本与原始配置18
2.2.2下载并安装Anaconda3（macOS版本）19
2.2.3创建虚拟环境python_env20
2.2.4在虚拟环境python_env下安装Jupyter Notebook21
2.3Ubuntu下基本环境的搭建与配置22
2.3.1查看Ubuntu的版本与原始配置22
2.3.2下载并安装Anaconda3（Linux版本）23
2.3.3创建虚拟环境python_env23
2.3.4在虚拟环境python_env下安装Jupyter Notebook25Python人工智能编程实践目录2.4Jupyter Notebook使用简介26
2.4.1在虚拟环境python_env下启动Jupyter Notebook26
2.4.2创建一个.ipynb文件27
2.4.3试运行.ipynb文件内的Python 3程序28
2.5PyCharm使用简介28
2.5.1安装PyCharm29
2.5.2在虚拟环境python_env下启动PyCharm30
2.5.3创建一个.py文件31
2.5.4试运行.py文件内的Python 3程序32
小结32
基础篇
第3章Python编程基础353.1Python环境配置35
3.1.1基于命令行/终端的交互式编程环境35
3.1.2基于Web的交互式开发环境36
3.1.3集成式开发环境38
3.2Python基本语法39
3.2.1注释39
3.2.2赋值40
3.2.3缩进41
3.3Python数据类型41
3.4Python数据运算44
3.5Python流程控制46
3.5.1分支语句47
3.5.2循环控制48
3.6Python函数设计49
3.7Python面向对象编程49
3.8Python编程库（包）/模块导入51
3.9Python编程综合实践53
小结54
第4章Pandas数据分析55
4.1Pandas环境配置55
4.1.1使用Anaconda Navigator搭建和配置环境56
4.1.2使用conda命令搭建和配置环境57
4.2Pandas核心数据结构58
4.2.1序列58
4.2.2数据框59
4.3Pandas读取/写入文件数据60
4.3.1读取/写入CSV文件数据60
4.3.2读取/写入JSON文件数据62
4.3.3读取/写入Excel文件数据64
4.4Pandas数据分析的常用功能67
4.4.1添加数据67
4.4.2删除数据69
4.4.3查询/筛选数据69
4.4.4修改数据70
4.4.5数据统计71
4.4.6数据排序72
4.4.7函数应用73
4.5Pandas数据合并74
4.6Pandas数据清洗75
4.7Pandas数据分组与聚合77
小结78
第5章Scikitlearn单机机器学习80
5.1Scikitlearn环境配置81
5.1.1使用Anaconda Navigator搭建和配置环境81
5.1.2使用conda命令搭建和配置环境82
5.2Scikitlearn无监督学习83
5.2.1降维学习与可视化83
5.2.2聚类算法91
5.3Scikitlearn监督学习98
5.3.1分类预测模型98
5.3.2数值回归模型114
5.4Scikitlearn半监督学习模型123
5.4.1自学习框架123
5.4.2标签传播算法126
5.5单机机器学习模型的常用优化技巧127
5.5.1交叉验证127
5.5.2特征工程129
5.5.3参数正则化135
5.5.4超参数寻优139
5.5.5并行加速训练140
小结142
进阶篇
第6章PyTorch/TensorFlow/PaddlePaddle深度学习1476.1PyTorch/TensorFlow/PaddlePaddle环境配置148
6.1.1PyTorch环境配置148
6.1.2TensorFlow环境配置150
6.1.3PaddlePaddle环境配置151
6.2全连接神经网络153
6.2.1全连接神经网络的PyTorch实践153
6.2.2全连接神经网络的TensorFlow实践157
6.2.3全连接神经网络的PaddlePaddle实践159
6.3卷积神经网络161
6.3.1卷积神经网络的PyTorch实践162
6.3.2卷积神经网络的TensorFlow实践166
6.3.3卷积神经网络的PaddlePaddle实践168
6.4残差神经网络171
6.4.1残差神经网络的PyTorch实践172
6.4.2残差神经网络的TensorFlow实践175
6.4.3残差神经网络的PaddlePaddle实践178
6.5循环神经网络181
6.5.1循环神经网络的PyTorch实践182
6.5.2循环神经网络的TensorFlow实践185
6.5.3循环神经网络的PaddlePaddle实践187
6.6注意力机制190
6.6.1注意力机制的PyTorch实践191
6.6.2注意力机制的TensorFlow实践194
6.6.3注意力机制的PaddlePaddle实践196
6.7自动编码器199
6.7.1自动编码器的PyTorch实践200
6.7.2自动编码器的TensorFlow实践203
6.7.3自动编码器的PaddlePaddle实践206
6.8变换模型209
6.8.1变换模型的PyTorch实践210
6.8.2变换模型的TensorFlow实践214
6.8.3变换模型的PaddlePaddle实践216
6.9深度学习模型的常用优化技巧219
6.9.1随机失活219
6.9.2批标准化228
6.9.3层标准化235
小结244
第7章PySpark分布式机器学习246
7.1PySpark环境配置248
7.1.1使用Anaconda Navigator搭建和配置环境248
7.1.2使用conda命令搭建和配置环境249
7.1.3安装JRE250
7.2PySpark分布式数据结构251
7.2.1RDD252
7.2.2DataFrame254
7.3PySpark分布式特征工程255
7.3.1特征抽取255
7.3.2特征转换260
7.4PySpark分布式机器学习263
7.4.1PySparkML分类预测模型264
7.4.2PySparkML数值回归模型269
7.5分布式机器学习模型的常用优化技巧273
7.5.1超参数寻优： 留一验证274
7.5.2超参数寻优： 交叉验证275
小结277
实践篇
第8章Kaggle竞赛实践2818.1Titanic罹难乘客预测282
8.1.1数据分析282
8.1.2数据预处理284
8.1.3模型设计与寻优285
8.1.4提交测试286
8.2Ames房产价格评估287
8.2.1数据分析288
8.2.2数据预处理292
8.2.3模型设计与寻优294
8.2.4提交测试294
8.3Twitter短文本分类295
8.3.1数据分析296
8.3.2数据预处理297
8.3.3模型设计与寻优298
8.3.4提交测试299
8.4CIFAR100图像识别300
8.4.1数据分析301
8.4.2数据预处理302
8.4.3模型设计与寻优303
8.4.4提交测试305
小结306
第9章Git代码管理308
9.1Git本地环境搭建309
9.1.1Windows下Git工具的安装与配置309
9.1.2macOS下Git工具的安装与配置309
9.1.3Ubuntu下Git工具的安装与配置309
9.2Git远程仓库配置310
9.2.1GitHub介绍311
9.2.2GitHub远程仓库的创建与配置311
9.2.3Gitee介绍312
9.2.4Gitee远程仓库的创建与配置312
9.3Git基本指令313
9.3.1克隆仓库313
9.3.2提交修改314
9.3.3远程推送314
9.4Git分支管理316
9.4.1创建分支317
9.4.2分支合并317
9.4.3合并冲突317
9.4.4删除分支319
9.5贡献Git项目319
9.5.1复刻项目319
9.5.2本地克隆、修改与推送320
9.5.3发起拉取请求320
小结322
后记323