Python 3破冰人工智能：從入門到實戰（簡體書）

本書創新性地從數學建模競賽入手，深入淺出地講解了人工智能領域的相關知識。本書內容基於Python 3.6，從人工智能領域的數學出發，到Python在人工智能場景下的關鍵模塊；從網絡爬蟲到數據存儲，再到數據分析；從機器學習到深度學習，涉及自然語言處理、機器學習、深度學習、 系統和知識圖譜等。 此外，本書還提供了近140個代碼案例和大量圖表，全面系統地闡述了算法特性，個別案例算法來自於工作經驗總結，力求幫助讀者學以致用。 本書不僅適用于人工智能技術初學者，也適合具有一定經驗的技術人員閱讀，還可作為高等院校計算機等相關專業師生的參考用書。

黃海濤（筆名零壹），算法工程師，網易雲課堂“零壹課堂”主創人，CSDN博客專家，2018年度博客之星。曾先後參與開發多款人工智能產品，具有豐富項目經驗；精通數學建模，曾多次獲得競賽獎項。

數學基礎：從歷年數學建模競賽入手，解讀人工智能中的數學方法。
編程實踐：100餘個代碼實例，全面講解網絡爬蟲、數據存儲與數據分析等內容。
算法應用：實戰案例輔以豐富圖解，詳盡分析人工智能算法特性及其應用場景。

第 1章 從數學建模到人工智能 1
1.1 數學建模 1
1.1.1 數學建模與人工智能 1
1.1.2 數學建模中的常見問題 4
1.2 人工智能下的數學 12
1.2.1 統計量 12
1.2.2 矩陣概念及運算 13
1.2.3 概率論與數理統計 16
1.2.4 高等數學――導數、微分、不定積分、定積分 19
第 2章 Python快速入門 24
2.1 安裝Python 24
2.1.1 Python安裝步驟 24
2.1.2 IDE的選擇 27
2.2 Python基本操作 28
2.2.1 第 一個小程序 28
2.2.2 注釋與格式化輸出 28
2.2.3 列表、元組、字典 34
2.2.4 條件語句與循環語句 37
2.2.5 break、continue、pass 40
2.3 Python高級操作 41
2.3.1 lambda 41
2.3.2 map 42
2.3.3 filter 43
第3章 Python科學計算庫NumPy 45
3.1 NumPy簡介與安裝 45
3.1.1 NumPy簡介 45
3.1.2 NumPy安裝 45
3.2 基本操作 46
3.2.1 初識NumPy 46
3.2.2 NumPy數組類型 47
3.2.3 NumPy創建數組 49
3.2.4 索引與切片 56
3.2.5 矩陣合併與分割 60
3.2.6 矩陣運算與線性代數 62
3.2.7 NumPy的廣播機制 69
3.2.8 NumPy統計函數 71
3.2.9 NumPy排序、搜索 75
3.2.10 NumPy數據的保存 79
第4章 常用科學計算模塊快速入門 80
4.1 Pandas科學計算庫 80
4.1.1 初識Pandas 80
4.1.2 Pandas基本操作 82
4.2 Matplotlib可視化圖庫 94
4.2.1 初識Matplotlib 94
4.2.2 Matplotlib基本操作 96
4.2.3 Matplotlib繪圖案例 98
4.3 SciPy科學計算庫 100
4.3.1 初識SciPy 100
4.3.2 SciPy基本操作 101
4.3.3 SciPy圖像處理案例 103
第5章 Python網絡爬蟲 106
5.1 爬蟲基礎 106
5.1.1 初識爬蟲 106
5.1.2 網絡爬蟲的算法 107
5.2 爬蟲入門實戰 107
5.2.1 調用API 107
5.2.2 爬蟲實戰 112
5.3 爬蟲進階―高效率爬蟲 113
5.3.1 多進程 113
5.3.2 多線程 114
5.3.3 協程 115
5.3.4 小結 116
第6章 Python數據存儲 117
6.1 關係型數據庫MySQL 117
6.1.1 初識MySQL 117
6.1.2 Python操作MySQL 118
6.2 NoSQL之MongoDB 120
6.2.1 初識NoSQL 120
6.2.2 Python操作MongoDB 121
6.3 本章小結 123
6.3.1 數據庫基本理論 123
6.3.2 數據庫結合 124
6.3.3 結束語 125
第7章 Python數據分析 126
7.1 數據獲取 126
7.1.1 從鍵盤獲取數據 126
7.1.2 文件的讀取與寫入 127
7.1.3 Pandas讀寫操作 129
7.2 數據分析案例 130
7.2.1 普查數據統計分析案例 130
7.2.2 小結 139
第8章 自然語言處理 140
8.1 Jieba分詞基礎 140
8.1.1 Jieba中文分詞 140
8.1.2 Jieba分詞的3種模式 141
8.1.3 標注詞性與添加定義詞 142
8.2 關鍵詞提取 144
8.2.1 TF-IDF關鍵詞提取 145
8.2.2 TextRank關鍵詞提取 147
8.3 word2vec介紹 150
8.3.1 word2vec基礎原理簡介 150
8.3.2 word2vec訓練模型 153
8.3.3 基於gensim的word2vec實戰 154
第9章 從回歸分析到算法基礎 160
9.1 回歸分析簡介 160
9.1.1 “回歸”一詞的來源 160
9.1.2 回歸與相關 161
9.1.3 回歸模型的劃分與應用 161
9.2 線性回歸分析實戰 162
9.2.1 線性回歸的建立與求解 162
9.2.2 Python求解回歸模型案例 164
9.2.3 檢驗、預測與控制 166
第 10章 從K-Means聚類看算法調參 171
10.1 K-Means基本概述 171
10.1.1 K-Means簡介 171
10.1.2 目標函數 171
10.1.3 算法流程 172
10.1.4 算法優缺點分析 174
10.2 K-Means實戰 174
第 11章 從決策樹看算法升級 180
11.1 決策樹基本簡介 180
11.2 經典算法介紹 181
11.2.1 信息熵 181
11.2.2 信息增益 182
11.2.3 信息增益率184
11.2.4 基尼係數 185
11.2.5 小結 185
11.3 決策樹實戰 186
11.3.1 決策樹回歸 186
11.3.2 決策樹的分類 188
第 12章 從樸素貝葉斯看算法多變 193
12.1 樸素貝葉斯簡介 193
12.1.1 認識樸素貝葉斯 193
12.1.2 樸素貝葉斯分類的工作過程 194
12.1.3 樸素貝葉斯算法的優缺點 195
12.2 3種樸素貝葉斯實戰 195
第 13章 從推薦系統看算法場景 200
13.1 推薦系統簡介 200
13.1.1 推薦系統的發展 200
13.1.2 協同過濾 201
13.2 基於文本的推薦 208
13.2.1 標簽與知識圖譜推薦案例 209
13.2.2 小結 217
第 14章 從TensorFlow開啟深度學習之旅 218
14.1 初識TensorFlow 218
14.1.1 什麼是TensorFlow 218
14.1.2 安裝TensorFlow 219
14.1.3 TensorFlow基本概念與原理 219
14.2 TensorFlow數據結構 221
14.2.1 階 221
14.2.2 形狀 221
14.2.3 數據類型 221
14.3 生成數據十二法 222
14.3.1 生成Tensor 222
14.3.2 生成序列 224
14.3.3 生成隨機數 225
14.4 TensorFlow實戰 225
參考文獻 230