人工智能创新实践教程

**部分 环境基础教学
第1章 实验环境搭建 3
1.1 Anaconda的安装 3
1.2 PyCharm的安装与使用 7
1.3 包的安装 10
1.3.1 pip的安装与使用 10
1.3.2 NumPy的安装 11
1.3.3 Matplotlib的安装 11
1.3.4 Pandas的安装 12
1.4 框架搭建 13
1.4.1 PyTorch-CPU的安装 13
1.4.2 TensorFlow-CPU的安装 15
1.5 本章小结 18
1.6 本章习题 18
第2章 Python编程语言基础 19
2.1 基础语法 19
2.1.1 输入/输出函数 20
2.1.2 标识符和关键字 22
2.1.3 变量、数据类型及注释 23
2.1.4 运算符 25
2.2 基本程序设计方法 27
2.2.1 函数 28
2.2.2 分支结构 31
2.2.3 循环 33
2.3 编程进阶 36
2.3.1 列表 37
2.3.2 字典 40
2.3.3 文件操作 43
2.4 本章小结 46
2.5 本章习题 47
第二部分 机器学习
第3章 机器学习基础 51
3.1 基本概念 51
3.2 机器学习的三要素 52
3.2.1 模型 52
3.2.2 学习策略 53
3.2.3 优化准则 54
3.3 评估方法 55
3.3.1 数据集划分方法 56
3.3.2 性能度量 56
3.4 本章小结 58
3.5 本章习题 59
第4章 K近邻算法 60
4.1 算法概述 60
4.1.1 基本概念 60
4.1.2 距离计算函数 61
4.2 实验数据 61
4.2.1 准备数据 62
4.2.2 分析数据 62
4.2.3 处理数据 63
4.3 算法实战 64
4.3.1 KNN算法实现 64
4.3.2 预测测试集并计算准确率 65
4.3.3 结果分析 65
4.4 本章小结 66
4.5 本章习题 66
第5章 决策树算法 67
5.1 算法概述 68
5.1.1 基本概念 68
5.1.2 特征选择 69
5.1.3 决策树的生成 71
5.1.4 决策树的剪枝 72
5.1.5 决策树的存储 72
5.1.6 决策树的可视化 72
5.2 实验数据 72
5.2.1 数据集介绍 73
5.2.2 导入数据集 73
5.2.3 划分训练集和测试集 74
5.3 算法实战 75
5.3.1 计算香农熵 75
5.3.2 数据集*佳划分函数 76
5.3.3 按照给定列划分数据集 76
5.3.4 递归构建决策树 77
5.3.5 利用训练集生成决策树 78
5.3.6 保存决策树 78
5.3.7 预测测试集并计算准确率 78
5.3.8 绘制决策树 79
5.4 本章小结 81
5.5 本章习题 81
第6章 朴素贝叶斯算法 82
6.1 算法概述 83
6.1.1 基本概念 83
6.1.2 贝叶斯算法的原理 84
6.1.3 朴素贝叶斯算法的类型 85
6.2 实验数据 85
6.2.1 准备数据 85
6.2.2 分析数据 87
6.2.3 处理数据 89
6.3 算法实战 92
6.3.1 算法构建 92
6.3.2 训练测试数据 93
6.3.3 结果分析 93
6.4 本章小结 93
6.5 本章习题 94
第7章 Logistic回归 95
7.1 Logistic回归概述 95
7.1.1 基本概念 95
7.1.2 Logistic回归算法 96
7.1.3 梯度下降法 99
7.2 Logistic回归实战 101
7.2.1 准备数据 102
7.2.2 分析数据 102
7.2.3 处理数据 103
7.3 算法实战 104
7.3.1 算法构建 104
7.3.2 定义分类函数 106
7.3.3 预测测试集并计算准确率 106
7.3.4 结果分析 107
7.4 本章小结 108
7.5 本章习题 108
第8章 支持向量机 109
8.1 支持向量机算法思想 109
8.1.1 算法原理 109
8.1.2 算法流程 111
8.1.3 SMO算法 117
8.2 实验数据 119
8.2.1 准备数据 119
8.2.2 分析数据 120
8.2.3 处理数据 122
8.3 算法实战 124
8.3.1 算法构建 124
8.3.2 训练测试数据 127
8.3.3 结果分析 128
8.4 本章小结 129
8.5 本章习题 129
第9章 随机森林算法 130
9.1 算法概述 131
9.1.1 集成学习概述 131
9.1.2 随机森林算法概述 132
9.2 实验数据 134
9.2.1 准备数据 135
9.2.2 分析数据 135
9.2.3 处理数据 137
9.3 算法实战 138
9.3.1 创建随机森林分类器 138
9.3.2 创建修改参数的随机森林 139
9.3.3 使用随机森林模型找重要特征 140
9.3.4 可视化特征分数 140
9.3.5 在选定的特征上建立随机森林模型 141
9.4 本章小结 142
9.5 本章习题 142
第10章 AdaBoost算法 143
10.1 算法概述 143
10.1.1 Boosting算法概述 143
10.1.2 AdaBoost算法概述 145
10.2 实验数据 146
10.2.1 准备数据 146
10.2.2 处理数据 147
10.3 算法实战 147
10.3.1 算法构建 147
10.3.2 训练测试数据 152
10.3.3 结果分析 152
10.4 本章小结 153
10.5 本章习题 153
第11章 Apriori算法 154
11.1 算法概述 154
11.1.1 关联分析 154
11.1.2 Apriori算法的思想 155
11.2 实验数据 158
11.2.1 准备数据 158
11.2.2 分析数据 158
11.2.3 处理数据 159
11.3 算法实战 160
11.3.1 算法构建 160
11.3.2 训练测试数据 163
11.3.3 结果分析 163
11.4 本章小结 163
11.5 本章习题 164
第三部分 深度学习
第12章 深度学习基础 167
12.1 基础知识 167
12.1.1 框架介绍 167
12.1.2 PyTorch基础语法 170
12.2 神经网络基础 172
12.2.1 神经元 172
12.2.2 激活函数概述 174
12.2.3 常见的激活函数 176
12.3 前馈神经网络和反馈神经网络 179
12.3.1 前馈神经网络 179
12.3.2 反馈神经网络 180
12.4 损失函数 186
12.4.1 L1和L2损失函数 187
12.4.2 交叉熵损失函数 187
12.4.3 其他常见损失函数 189
12.5 优化方法 189
12.5.1 基本概念 189
12.5.2 梯度下降法 190
12.6 本章小结 191
12.7 本章习题 191
第13章 感知机算法 192
13.1 算法概述 192
13.1.1 感知机简介 192
13.1.2 算法实现原理 193
13.2 实验数据 196
13.3 算法实战 196
13.3.1 and运算 196
13.3.2 鸢尾花分类 198
13.4 本章小结 200
13.5 本章习题 200
第14章 卷积神经网络 201
14.1 模型概述 202
14.1.1 卷积神经网络的结构及原理 202
14.1.2 卷积神经网络的特点 203
14.1.3 卷积层 204
14.1.4 池化层 205
14.1.5 全连接层 206
14.2 实验数据 207
14.2.1 准备数据 207
14.2.2 处理数据 209
14.3 模型构建 209
14.3.1 相关函数介绍 209
14.3.2 卷积神经网络的构建 210
14.3.3 模型训练 211
14.4 本章小结 214
14.5 本章习题 214
第15章 VGG16网络 215
15.1 模型概述 216
15.1.1 VGG网络的结构及原理 216
15.1.2 VGG网络的特点 217
15.2 实验数据 218
15.2.1 准备数据 218
15.2.2 处理数据 219
15.3 模型构建 220
15.3.1 构建VGG16网络 220
15.3.2 测试模型 226
15.3.3 结果分析 227
15.4 本章小结 227
15.5 本章习题 228
第16章 循环神经网络 229
16.1 算法概述 229
16.1.1 语言模型 229
16.1.2 循环神经网络的原理 230
16.1.3 双向循环神经网络 231
16.1.4 循环神经网络的训练算法 232
16.1.5 长短时记忆网络 234
16.2 数据处理 239
16.2.1 准备数据 239
16.2.2 分析数据 240
16.2.3 处理数据 241
16.3 算法实战 242
16.3.1 模型构建 242
16.3.2 验证数据 243
16.3.3 股票价格预测 244
16.4 本章小结 245
16.5 本章习题 245
参考文献 246