更新时间：2025-02-08 17:24:51
封面
版权信息
内容提要
前言
第1章 人工智能：开启智慧新时代
1.1 人工智能的缘起
1.1.1 什么是人工智能
1.1.2 人工智能的发展历程
1.1.3 人工智能的特征及典型应用
1.2 机器学习与深度学习
1.2.1 机器学习的含义
1.2.2 深度学习的崛起
1.2.3 神经网络的魅力
1.3 案例——小试牛刀：识别图像中的动物
1.3.1 提出问题
1.3.2 解决方案
1.3.3 预备知识
1.3.4 任务1——准备一个动物图像
1.3.5 任务2——智能获取动物信息
本章小结
课后习题
第2章 Python：人工智能开发语言
2.1 初识Python
2.1.1 Python简介
2.1.2 Python的特点及应用领域
2.2 Python开发环境搭建
2.2.1 安装Python
2.2.2 安装Jupyter Notebook
2.2.3 浅尝Python
2.3 Python编程基础
2.3.1 变量
2.3.2 分支结构
2.3.3 循环结构
2.3.4 组合数据类型
2.4 NumPy基础应用
2.4.1 求解三元一次方程
2.4.2 数组计算
2.4.3 向量化处理
2.5 Matplotlib基础应用
2.5.1 绘制直方图
2.5.2 绘制散点图
2.6 案例1——求解一元二次方程
2.6.1 提出问题
2.6.2 解决方案
2.6.3 预备知识
2.6.4 任务1——从键盘输入方程的系数
2.6.5 任务2——调用roots函数求解方程
2.7 案例2——用折线图解读第二产业的GDP发展趋势
2.7.1 提出问题
2.7.2 解决方案
2.7.3 预备知识
2.7.4 任务1——读取GDP数据并观察数据结构
2.7.5 任务2——绘制GDP数据的折线图
第3章 线性回归：预测未来趋势
3.1 认识机器学习
3.1.1 机器如何学习
3.1.2 机器学习算法
3.2 认识线性回归
3.2.1 线性回归的数学表达式
3.2.2 线性回归的几个概念
3.2.3 梯度下降法
3.3 案例1——预测房屋价格
3.3.1 提出问题
3.3.2 解决方案
3.3.3 预备知识
3.3.4 任务1——可视化房屋数据
3.3.5 任务2——线性回归模型的训练
3.3.6 任务3——模型的测试及评估
3.4 案例2——预测投保人医疗费用
3.4.1 提出问题
3.4.2 解决方案
3.4.3 预备知识
3.4.4 任务1——加载数据并进行数据预处理
3.4.5 任务2——训练和测试医疗费用预测模型
3.4.6 任务3——进一步改善模型性能
第4章 分门别类：帮你“分而治之”
4.1 分类器
4.1.1 什么是分类器
4.1.2 分类器如何工作
4.2 几种主要的分类器
4.2.1 决策树
4.2.2 贝叶斯分类器
4.2.3 k近邻分类器
4.2.4 支持向量机
4.2.5 神经网络
4.3 案例1——手写数字识别
4.3.1 提出问题
4.3.2 解决方案
4.3.3 预备知识
4.3.4 任务1——数字图像信息转存为TXT文件
4.3.5 任务2——批量生成样本数据
4.3.6 任务3——构建KNN模型
4.3.7 任务4——训练KNN模型
4.3.8 任务5——评估模型效果
4.3.9 拓展任务
4.4 案例2——辅助诊断乳腺癌
