包邮智能计算技术与应用

目录

前言

第1章　智能计算概述　1
1.1　人工智能与智能计算　1
1.1.1　人工智能　1
1.1.2　智能计算时代与学科融合　2
1.1.3　“新医科”与智能计算　2
1.1.4　智能计算时代的其他典型应用　7
1.2　培养“新医科”学生的素养　11
1.2.1　“新医科”学生的基本素养　11
1.2.2　科学、技术与工程　12
1.2.3　科研方法与工程方法　13
1.2.4　智能计算素养　13
1.3　研究性学习方法与P-MASE模型　14
1.3.1　研究性学习与学习方法　14
1.3.2　P-MASE模型　14
参考文献　16

第2章　智能计算编程基础　17
2.1　引入问题　17
2.1.1　问题描述　17
2.1.2　问题归纳　18
2.2　寻找方法　18
2.2.1　Python编程环境　18
2.2.2　Python编程基础　24
2.2.3　Python的内置模块和第三方工具包　27
2.3　问题分析　30
2.4　问题求解　31
2.5　效果评价　33
参考文献　33

第3章　数据获取和预处理　35
3.1　引入问题　35
3.1.1　问题描述　35
3.1.2　问题归纳　35
3.2　寻找方法　36
3.2.1　数据的类别　36
3.2.2　数据采集方法　37
3.2.3　数据预处理　44
3.2.4　数据变换　48
3.3　问题分析　49
3.4　问题求解　50
3.4.1　利用爬虫代码进行数据采集　50
3.4.2　利用数据采集工具进行数据采集　52
3.5　效果评价　55
参考文献　55

第4章　数据可视化　56
4.1　引入问题　56
4.1.1　问题描述　56
4.1.2　问题归纳　56
4.2　寻找方法　57
4.2.1　数据的统计特征和可视特征　57
4.2.2　数据可视化的基本要素　58
4.2.3　数据可视化工具　60
4.2.4　数据可视化方法　62
4.3　问题分析　72
4.4　问题求解　74
4.5　效果评价　77
参考文献　77

第5章　预测数据的值　78
5.1　引入问题　78
5.1.1　问题描述　78
5.1.2　问题归纳　78
5.2　寻找方法　79
5.2.1　回归分析的基本原理　79
5.2.2　线性回归　80
5.2.3　常用的回归模型评估方法　81
5.2.4　使用Python实现线性回归　82
5.2.5　多项式回归　85
5.3　问题分析　86
5.4　问题求解　87
5.4.1　加载数据　87
5.4.2　分析数据特征及预处理　88
5.4.3　建立线性回归预测模型　91
5.5　效果评价　92
参考文献　93

第6章　判断对象属于哪一类　94
6.1　引入问题　94
6.1.1　问题描述　94
6.1.2　问题归纳　94
6.2　寻找方法　94
6.2.1　分类问题及常用算法　94
6.2.2　利用Python求解分类问题　103
6.3　问题分析　105
6.4　问题求解　105
6.4.1　确定问题特征　105
6.4.2　数据采集与预处理　105
6.4.3　选择分类模型　107
6.4.4　预测新样本　111
6.5　效果评价　111
参考文献　112

第７章　将对象划分为不同的类别
—聚类分析　113
7.1　引入问题　113
7.1.1　问题描述　113
7.1.2　问题归纳　113
7.2　寻找方法　114
7.2.1　聚类问题概述　114
7.2.2　k-means算法简介　114
7.2.3　k-means聚类算法的实现　115
7.2.4　k-means算法中类簇数量k的选取　120
7.2.5　调用工具包实现k-means聚类　121
7.3　问题分析　122
7.4　问题求解　123
7.4.1　二维数据聚类　124
7.4.2　三维数据聚类　125
7.5　效果评价　127
参考文献　127

第8章　让计算机像人脑一样思考　128
8.1　引入问题　128
8.1.1　问题描述　128
8.1.2　问题归纳　128
8.2　寻找方法　129
8.2.1　生物神经网络　129
8.2.2　人工神经网络　129
8.2.3　BP人工神经网络　134
8.2.4　Python中的人工神经网络　136
8.3　问题分析　141
8.4　问题求解　142
8.4.1　确定问题特征　142
8.4.2　收集特征数据及数据预处理　142
8.4.3　神经网络分类预测模型　143
8.5　效果评价　145
参考文献　147

第9章　如何让计算机看懂图像　148
9.1　引入问题　148
9.1.1　问题描述　148
9.1.2　问题归纳　148
9.2　寻找方法　149
9.2.1　生物医学图像分类的基本实现
方法　149
9.2.2　深度学习基础　149
9.2.3　卷积神经网络的原理　150
9.2.4　几种典型的深度卷积神经网络模型　151
9.2.5　Python中的图像分类　153
9.3　问题分析　158
9.4　问题求解　158
9.4.1　确定生物识别采用的技术方案　158
9.4.2　训练数据集的获取　159
9.4.3　对图像数据进行预处理　159
9.4.4　构建VGGNet-16神经网络模型　159
9.4.5　使用训练好的神经网络模型对图像文件进行分类　163
9.5　效果评价　164
参考文献　166

第10章　处理时间序列数据　167
10.1　引入问题　167
10.1.1　问题描述　167
10.1.2　问题归纳　167
10.2　寻找方法　168
10.2.1　时间序列预测　168
10.2.2　循环神经网络　169
10.3　问题分析　172
10.3.1　匈牙利每周水痘病例数据集　172
10.3.2　数据处理方法　173
10.4　问题求解　173
10.4.1　数据读取　173
10.4.2　数据预处理　174
10.4.3　构建模型　177
10.4.4　训练模型　177
10.5　效果评价　178
参考文献　179

第11章　淋巴造影分类预测综合案例　180
11.1　引入问题　180
11.1.1　问题描述　180
11.1.2　数据描述　180
11.2　寻找方法　181
11.2.1　数据预处理方法　181
11.2.2　分类预测方法　182
11.3　问题分析　182
11.3.1　加载数据集　182
11.3.2　查看数据分布　184
11.3.3　分析属性与标签结果的相关性　186
11.4　问题求解　187
11.4.1　数据预处理　187
11.4.2　建立神经网络模型　188
11.5　效果评价　190
参考文献　191

第12章　胸部CT影像检测综合案例　192
12.1　引入问题　192
12.1.1　问题描述　192
12.1.2　数据描述　193
12.2　寻找方法　194
12.2.1　VGGNet-16　194
12.2.2　ResNet神经网络　195
12.3　问题分析　195
12.4　问题求解　196
12.4.1　加载数据集并预处理图像　196
12.4.2　建立VGGNet-16模型　197
12.4.3　训练VGGNet-16模型　199
12.4.4　模型评价　200
12.5　效果评价　202
参考文献　203