Python编程与人工智能应用.pptxVIP

人工智能应用实践教程（Python实现）;内容提要;人工智能的定义;人工智能的起源;第一次高峰和低谷;第二次高峰和低谷;第三次高峰;人工智能的三大学派;强人工智能与弱人工智能;强人工智能是否可实现？;机器学习与深度学习;机器学习与深度学习;机器学习与深度学习;人工智能的应用分支领域;自然语言处理;计算机视觉和语音识别;人工智能行业应用;人工智能人才需求;Python语言与人工智能;Python安装和运行;Python人工智能库安装;Python人工智能库安装;Python集成开发环境;Anaconda;25;第二章Python语言基础;内容提要;Python语法基本特点;Python对象及类型;Python对象及类型;Python变量和关键字;Python变量赋值;Python运算符和表达式;Python运算符和表达式;数学计算库math的使用;Python字符串;Python字符串举例;Python字符串运算;Python字符串的常用函数;Python选择结构;Python选择结构;Python循环结构;Python循环结构;Python循环结构;控制语句应用举例1;控制语句应用举例2;控制语句应用举例3;控制语句应用举例4;控制语句应用举例5;组合数据类型——列表;列表的常用方法;列表推导式;组合数据类型——元组;组合数据类型——字典;字典的常用方法;组合数据类型——集合;集合的常用方法;Python函数定义和调用;匿名函数与lambda关键字;Python异常处理;Python文件处理;Python读写文件;Python面向对象基础;Python类的继承;数值计算库NumPy;NumPy多维数组创建;NumPy数组常用属性;NumPy生成随机数;NumPy数组变换;NumPy数组合并;NumPy数组的索引和切片;NumPy数组的运算;NumPy数组的读写操作;NumPy数组排序;数据去重和重复数据;Numpy常用统计函数;本章小结;78;第三章线性回归及Python编程;内容提要;机器学习;线性回归问题与模型;单变量线性回归问题;案例分析;LinearRegression类;LinearRegression类;求解步骤;代码3.2;代码3.2运行结果;模型评价;残差;R方;残差与R方的计算;代码3.3;最小二乘法求解;导数法求解最小二乘法;代码3.4;使用矩阵运算求解;代码3.5和3.6;二次函数梯度下降法求解;代码3.7;批量梯度下降法;算法步骤;代码3.8批量梯度下降实现;代码3.9;随机梯度下降法;代码3.10;多变量线性回归问题;基于Scikit-learn库求解;基于最小二乘法求解;基于梯度下降法求解;代码3.14;数据归一???问题;代码3.15;高阶拟合问题;高阶拟合问题;代码3.16;绘制图形;本章小结;120;第四章逻辑斯蒂分类及Python实现;内容提要;分类问题简介;逻辑斯蒂分类简介;二分类逻辑斯蒂分类问题;案例分析;LogisiticRegression类;求解步骤;编码实现;梯度下降法优化目标;梯度下降法优化目标;梯度计算;Python编码实现;输出结果的说明;分类模型的评价方法;分类模型的评价方法;代码4.4;运行结果说明;ROC曲线;代码4.5;非线性分类问题;基于Scikit-learn库求解;代码4.7和代码4.8;正则化问题;正则化项说明;正则化项说明;正则化问题的求解实现;多类别逻辑斯蒂分类;求解步骤;求解步骤;基于Scikit-learn库实现;基于梯度下降法求解;本章小结;154;第六章K-近邻分类与K-均值聚类及Python实现;内容提要;“近邻”与分类和聚类;K-近邻分类;KNN算法的一般步骤;自定义实现K-近邻分类;代码6.1;KNN的三个基本要素;距离度量;距离度量;K值选择;分类决策规则;Scikit-learn实现KNN;Scikit-learn实现KNN;Scikit-learn实现KNN;KNN的优缺点分析;K-均值聚类;K-均值聚类例子;K-均值聚类例子;自定义编码实现KMeans;Scikit-learn实现KMeans

;KMeans类实现聚类算法;本章小结;178;第七章朴素贝叶斯分类及Python实现;内容提要;贝叶斯分类法简介;贝叶斯分类法简介;贝叶斯分类法简介;朴素贝叶斯分类法;朴素贝叶斯分类法;朴素贝叶斯分类法;房屋好卖预测案例;房屋好卖预测案例(演示);自定义编码实现;自定义编码实现;自定义编码实现;自定义编码实现;进行预测;Python编码实现;基于Scikit-learn库求解;求解步骤与编码实现;连续型特征值朴素贝叶斯;连续型特征值朴素贝叶斯;连续型特征值朴素贝叶斯;基于GaussianNB类实现;本章小结;202;第八章决策