目录

第1章闻名不如见面

1.1初识Python

1.1.1Python简介

1.1.2Python开发环境的搭建

1.1.3Python开发工具

1.1.4pip安装第三方库

1.2Python语言基础

1.2.1Python语言特点

1.2.2Python变量

1.2.3Python基本输入输出

1.3运算符

1.4流程控制语句

1.4.1循环语句

1.4.2条件语句

1.4.3循环控制

1.5序列

1.5.1序列索引

1.5.2序列切片

1.5.3检查元素

1.6列表

1.6.1创建列表

1.6.2列表的基本操作

1.7元组

1.7.1元组与列表的对比

1.7.2元组的创建

1.7.3元组的基本操作

1.8字典

1.8.1字典的声明

1.8.2字典的键与值

1.8.3字典的基本操作

1.9绘图

第2章认识新友

2.1人工智能的研究方向

2.2人工智能、机器学习、深度学习的关系

2.2.1关系图

2.2.2人工智能

2.2.3人类智能过程

2.2.4机器学习

2.2.5深度学习

2.3人工智能的发展史

2.3.1人工智能的起源

2.3.2发展历程

2.4新一代人工智能

2.4.1新一代人工智能的主驱动因素

2.4.2新一代人工智能的主要发展特征

2.5人工智能的研究领域

2.6人工智能的应用场景

2.6.1计算机视觉

2.6.2语音技术

2.6.3自然语言处理

2.6.4决策支持系统

2.6.5大数据应用

第3章学经典知新义

3.1线性回归

3.1.1一元线性回归

3.1.2多元线性回归

3.1.3损失函数

3.1.4线性回归的应用

3.1.5多重共线

3.1.6岭回归

3.2逻辑回归

3.2.1逻辑回归模型的原理

3.2.2逻辑回归算法的实现

3.3主成分分析

3.3.1特征维度约减

3.3.2主成分分析的基本概念

3.3.3高维数据向低维数据映射

3.3.4主成分分析降噪

3.4线性判别分析

3.4.1LDA的基本思想

3.4.2图解LDA

3.4.3二类LDA算法的原理

3.4.4LDA与PCA的异同

3.4.5LDA的优缺点

3.4.6LDA的应用

3.5决策树

3.5.1决策树的运行机制

3.5.2熵与信息熵

3.5.3ID3算法

3.5.4C4.5算法

3.5.5CART算法

3.5.6决策树的分类可视化

3.5.7决策树在回归中的应用

3.6随机森林

3.6.1随机森林的发展史

3.6.2随机森林的算法原理

3.6.3随机森林的特点

3.6.4随机森林的调优策略

3.6.5随机森林的应用

3.7集成学习

3.7.1Bagging算法

3.7.2Boosting算法

3.7.3Stacking算法

3.8朴素贝叶斯

3.8.1贝叶斯的定义

3.8.2朴素贝叶斯算法

3.8.3朴素贝叶斯模型

3.8.4拉普拉斯平滑系数

3.8.5朴素贝叶斯的应用

3.9K近邻算法

3.9.1K近邻算法的步骤

3.9.2K近邻模型

3.9.3kd树

3.9.4K近邻算法的应用

3.10KMeans聚类

3.10.1KMeans的原理

3.10.2KMeans的算法流程

3.10.3K个聚类中心初始值的选择

3.10.4KMeans算法的应用

3.10.5MiniBatch KMeans算法

3.10.6KMeans系列聚类算法

3.11支持向量机

3.11.1支持向量机的定义

3.11.2SVM的基本原理

3.11.3SVM的优缺点

3.11.4SVM算法的应用

3.12推荐算法

3.12.1基于内容推荐

3.12.2协同过滤推荐

3.12.3混合推荐系统

3.12.4基于知识推荐

3.12.5基于模型推荐

3.12.6多臂老虎机

3.13SVD算法

3.13.1特征值分解

3.13.2奇异值分解

3.13.3酉矩阵的定义

3.13.4奇异值分解的实现

第4章深度交流

4.1深度学习概述

4.1.1核心原理

4.1.2深度学习与传统机器学习

4.1.3深度学习的关键概念

4.1.4深度学习的主要架构

4.2深度学习的鼻祖——感知器

4.2.1单层感知器

4.2.2多层感知器

4.3卷积神经网络

4.3.1卷积神经网络的原理

4.3.2常见卷积神经网络

4.4循环神经网络

4.4.1循环神经网络的结构

4.4.2循环神经网络的原理

4.4.3长程依赖问题

4.4.4基于门控的循环神经网络

4.5生成式对抗网络

4.5.1生成器

4.5.2判别器

4.5.3损失函数

4.5.4对抗训练的目标

4.5.5最优化过程

4.6深度强化学习

4.6.1强化学习

4.6.2深度强化学习概述

4.6.3深度强化学习的应用

第5章迁移手拉手

5.1迁移学习

5.1.1迁移学习的概念

5.1.2迁移学习的核心与方法

5.2风格迁移

5.2.1风格迁移的定义

5.2.2风格迁移的方法

5.2.3风格迁移的实现

第6章学以致用

6.1人工智能在机器学习中的应用

6.2人工智能在语音识别中的应用

6.2.1语音识别概述

6.2.2获取并整理样本

6.2.3训练模型

6.3人工智能在音频生成技术中的应用

6.3.1音频生成的概念

6.3.2音频生成的应用

6.3.3应用实例演示

6.4人工智能在网络爬虫中的应用

6.4.1什么是爬虫

6.4.2Beautiful Soup工具

6.4.3创建云起书院爬虫

6.5人工智能在计算机视频中的应用

6.6人工智能在网络迁移中的应用

6.7人工智能在叫号系统中的应用

6.7.1分析项目

6.7.2模块准备

6.7.3项目实践

6.8人工智能在文本生成技术中的应用

6.8.1文本生成的核心要素

6.8.2文本生成的应用

6.9人工智能在图像生成技术中的应用

6.9.1图像生成概述

6.9.2图像生成技术概述

6.9.3应用领域