Python 3破冰人工智能 从入门到实战

数学基础：从历年数学建模竞赛入手，解读人工智能中的数学方法。 编程实践：100余个代码实例，讲解网络爬虫、数据存储与数据分析等内容。 算法应用：实战案例辅以丰富图解，详尽分析人工智能算法特性及其应用场景。

本书创新性地从数学建模竞赛入手，深入浅出地讲解了人工智能领域的相关知识。本书内容基于Python 3.6，从人工智能领域的数学出发，到Python在人工智能场景下的关键模块；从网络爬虫到数据存储，再到数据分析；从机器学习到深度学习，涉及自然语言处理、机器学习、深度学习、推荐系统和知识图谱等。此外，本书还提供了近140个代码案例和大量图表，全面系统地阐述了算法特性，个别案例算法来自于工作经验总结，力求帮助读者学以致用。本书不仅适用于人工智能技术初学者，也适合具有一定经验的技术人员阅读，还可作为高等院校计算机等相关专业师生的参考用书。

黄海涛（笔名零壹），算法工程师，网易云课堂“零壹课堂”主创人，CSDN博客专家，2018年度博客之星。曾先后参与开发多款人工智能产品，具有丰富项目经验；精通数学建模，曾多次获得竞赛奖项。

第1章 从数学建模到人工智能
1.1 数学建模
1.1.1 数学建模与人工智能
1.1.2 数学建模中的常见问题
1.2 人工智能下的数学
1.2.1 统计量
1.2.2 矩阵概念及运算
1.2.3 概率论与数理统计
1.2.4 高等数学——导数、微分、不定积分、定积分
第2章 Python快速入门
2.1 安装Python
2.1.1 Python安装步骤
2.1.2 IDE的选择
2.2 Python基本操作
2.2.1 第一个小程序
2.2.2 注释与格式化输出
2.2.3 列表、元组、字典
2.2.4 条件语句与循环语句
2.2.5 break、continue、pass
2.3 Python操作
2.3.1 lambda
2.3.2 map
2.3.3 filter
第3章 Python科学计算库NumPy
3.1 NumPy简介与安装
3.1.1 NumPy简介
3.1.2 NumPy安装
3.2 基本操作
3.2.1 初识NumPy
3.2.2 NumPy数组类型
3.2.3 NumPy创建数组
3.2.4 索引与切片
3.2.5 矩阵合并与分割
3.2.6 矩阵运算与线性代数
3.2.7 NumPy的广播机制
3.2.8 NumPy统计函数
3.2.9 NumPy排序、搜索
3.2.10 NumPy数据的保存
第4章 常用科学计算模块快速入门
4.1 Pandas科学计算库
4.1.1 初识Pandas
4.1.2 Pandas基本操作
4.2 Matplotlib可视化图库
4.2.1 初识Matplotlib
4.2.2 Matplotlib基本操作
4.2.3 Matplotlib绘图案例
4.3 SciPy科学计算库
4.3.1 初识SciPy
4.3.2 SciPy基本操作
4.3.3 SciPy图像处理案例
第5章 Python网络爬虫
5.1 爬虫基础
5.1.1 初识爬虫
5.1.2 网络爬虫的算法
5.2 爬虫入门实战
5.2.1 调用API
5.2.2 爬虫实战
5.3 爬虫进阶——高效率爬虫
5.3.1 多进程
5.3.2 多线程
5.3.3 协程
5.3.4 小结
第6章 Python数据存储
6.1 关系型数据库MySQL
6.1.1 初识MySQL
6.1.2 Python操作MySQL
6.2 NoSQL之MongoDB
6.2.1 初识NoSQL
6.2.2 Python操作MongoDB
6.3 本章小结
6.3.1 数据库基本理论
6.3.2 数据库结合
6.3.3 结束语
第7章 Python数据分析
7.1 数据获取
7.1.1 从键盘获取数据
7.1.2 文件的读取与写入
7.1.3 Pandas读写操作
7.2 数据分析案例
7.2.1 普查数据统计分析案例
7.2.2 小结
第8章 自然语言处理
8.1 Jieba分词基础
8.1.1 Jieba中文分词
8.1.2 Jieba分词的3种模式
8.1.3 标注词性与添加定义词
8.2 关键词提取
8.2.1 TF-IDF关键词提取
8.2.2 TextRank关键词提取
8.3 word2vec介绍
8.3.1 word2vec基础原理简介
8.3.2 word2vec训练模型
8.3.3 基于gensim的word2vec实战
第9章 从回归分析到算法基础
9.1 回归分析简介
9.1.1 “回归”一词的来源
9.1.2 回归与相关
9.1.3 回归模型的划分与应用
9.2 线性回归分析实战
9.2.1 线性回归的建立与求解
9.2.2 Python求解回归模型案例
9.2.3 检验、预测与控制
第10章 从K-Means聚类看算法调参
10.1 K-Means基本概述
10.1.1 K-Means简介
10.1.2 目标函数
10.1.3 算法流程
10.1.4 算法优缺点分析
10.2 K-Means实战
第11章 从决策树看算法升级
11.1 决策树基本简介
11.2 经典算法介绍
11.2.1 信息熵
11.2.2 信息增益
11.2.3 信息增益率
11.2.4 基尼系数
11.2.5 小结
11.3 决策树实战
11.3.1 决策树回归
11.3.2 决策树的分类
第12章 从朴素贝叶斯看算法多变
12.1 朴素贝叶斯简介
12.1.1 认识朴素贝叶斯
12.1.2 朴素贝叶斯分类的工作过程
12.1.3 朴素贝叶斯算法的优缺点
12.2 3种朴素贝叶斯实战
第13章 从系统看算法场景
13.1 系统简介
13.1.1 系统的发展
13.1.2 协同过滤
13.2 基于文本的
13.2.1 标签与知识图谱案例
13.2.2 小结
第14章 从TensorFlow开启深度学习之旅
14.1 初识TensorFlow
14.1.1 什么是TensorFlow
14.1.2 安装TensorFlow
14.1.3 TensorFlow基本概念与原理
14.2 TensorFlow数据结构
14.2.1 阶
14.2.2 形状
14.2.3 数据类型
14.3 生成数据十二法
14.3.1 生成Tensor
14.3.2 生成序列
14.3.3 生成随机数
14.4 TensorFlow实战
参考文献