幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

Python人工智慧編程實踐/高等學校創意創新創業教育系列叢書

  • 作者：范淼//徐晟桐|責編:謝琛//薛陽
  • 出版社：清華大學
  • ISBN：9787302661788
  • 出版日期：2024/04/01
  • 裝幀：平裝
  • 頁數：324
人民幣：RMB 79.9 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書在不涉及大量數學與編程知識的前提下，從零開始，逐步帶領讀者熟悉並掌握當下最流行的基於Python 3的人工智慧編程工具，包括但不限於數據分析（Pandas），以及支持單機（Scikit-learn）、深度（PyTorch、TensorFlow、PaddlePaddle）和分散式（PySpark-ML）機器學習的開源程序庫，等等。
    全書共分為4部分，分別如下。
    （1）入門篇：包括對全書核心概念的指南性介紹，以及如何在多種主流PC操作系統上（如Windows、macOS和Ubuntu）配置基本編程環境的詳細說明。
    （2）基礎篇：涵蓋了Python 3.11的編程基礎、基於Pandas 2.0的數據分析，以及使用Scikit-learn 1.3解決大量經典的單機（單核/多核）機器學習問題。
    （3）進階篇：介紹如何使用PyTorch 2.0、TensorFlow 2.12，以及PaddlePaddle 2.5，分別搭建多種深度學習神經網路框架。嘗試基於PySpark 3.4的ML編程庫完成一些常見的分散式機器學習任務。
    （4）實踐篇：利用全書所講授的Python編程、數據分析，以及（單機、深度、分散式）機器學習知識，從事Kaggle多種類型的競賽實戰。同時，介紹如何使用Git工具，在Gitee與GitHub平台上更新和維護自己的日常代碼與編程項目。
    綜上，本書面向所有對人工智慧領域感興趣的讀者，特別適合從事數據挖掘、機器學習、電腦視覺、自然語言處理等相關技術研發和應用實踐的初學者。
作者介紹
范淼//徐晟桐|責編:謝琛//薛陽
目錄
入門篇
  第1章  全書指南
    1.1  Python編程
    1.2  數據分析
    1.3  機器學習
      1.3.1  任務
      1.3.2  經驗
      1.3.3  表現
    1.4  Kaggle競賽
    1.5  Git代碼管理
    小結
  第2章  基本環境搭建與配置
    2.1  Windows下基本環境的搭建與配置
      2.1.1  查看Windows的版本與原始配置
      2.1.2  下載並安裝Anaconda3（Windows版本）
      2.1.3  創建虛擬環境python_env
      2.1.4  在虛擬環境python_env下安裝Jupyter Notebook
    2.2  macOS下基本環境的搭建與配置
      2.2.1  查看macOS的版本與原始配置
      2.2.2  下載並安裝Anaconda3（macOS版本）
      2.2.3  創建虛擬環境python_env
      2.2.4  在虛擬環境python_env下安裝Jupyter Notebook
    2.3  Ubuntu下基本環境的搭建與配置
      2.3.1  查看Ubuntu的版本與原始配置
      2.3.2  下載並安裝Anaconda3（Linux版本）
      2.3.3  創建虛擬環境python_env
      2.3.4  在虛擬環境python_env下安裝Jupyter Notebook
    2.4  Jupyter Notebook使用簡介
      2.4.1  在虛擬環境python_env下啟動Jupyter Notebook
      2.4.2  創建一個.ipynb文件
      2.4.3  試運行.ipynb文件內的Python 3程序
    2.5  PyCharm使用簡介
      2.5.1  安裝PyCharm
      2.5.2  在虛擬環境python_env下啟動PyCharm
      2.5.3  創建一個.py文件
      2.5.4  試運行.py文件內的Python 3程序
    小結
基礎篇
  第3章  Python編程基礎
    3.1  Python環境配置
      3.1.1  基於命令行/終端的互動式編程環境
      3.1.2  基於Web的互動式開發環境
      3.1.3  集成式開發環境
    3.2  Python基本語法
      3.2.1  註釋
      3.2.2  賦值
      3.2.3  縮進
    3.3  Python數據類型
    3.4  Python數據運算
    3.5  Python流程式控制制

      3.5.1  分支語句
      3.5.2  循環控制
    3.6  Python函數設計
    3.7  Python面向對象編程
    3.8  Python編程庫（包）/模塊導入
    3.9  Python編程綜合實踐
    小結
  第4章  Pandas數據分析
    4.1  Pandas環境配置
      4.1.1  使用Anaconda Navigator搭建和配置環境
      4.1.2  使用conda命令搭建和配置環境
    4.2  Pandas核心數據結構
      4.2.1  序列
      4.2.2  數據框
    4.3  Pandas讀取/寫入文件數據
      4.3.1  讀取/寫入CSV文件數據
      4.3.2  讀取/寫入JSON文件數據
      4.3.3  讀取/寫入Excel文件數據
    4.4  Pandas數據分析的常用功能
      4.4.1  添加數據
      4.4.2  刪除數據
      4.4.3  查詢/篩選數據
      4.4.4  修改數據
      4.4.5  數據統計
      4.4.6  數據排序
      4.4.7  函數應用
    4.5  Pandas數據合併
    4.6  Pandas數據清洗
    4.7  Pandas數據分組與聚合
    小結
  第5章  Scikit-learn單機機器學習
    5.1  Scikit-learn環境配置
      5.1.1  使用Anaconda Navigator搭建和配置環境
      5.1.2  使用conda命令搭建和配置環境
    5.2  Scikit-learn無監督學習
      5.2.1  降維學習與可視化
      5.2.2  聚類演算法
    5.3  Scikit-learn監督學習
      5.3.1  分類預測模型
      5.3.2  數值回歸模型
    5.4  Scikit-learn半監督學習模型
      5.4.1  自學習框架
      5.4.2  標籤傳播演算法
    5.5  單機機器學習模型的常用優化技巧
      5.5.1  交叉驗證
      5.5.2  特徵工程
      5.5.3  參數正則化
      5.5.4  超參數尋優
      5.5.5  並行加速訓練
    小結

進階篇
  第6章  PyTorch/TensorFlow/PaddlePaddle深度學習
    6.1  PyTorch/TensorFlow/PaddlePaddle環境配置
      6.1.1  PyTorch環境配置
      6.1.2  TensorFlow環境配置
      6.1.3  PaddlePaddle環境配置
    6.2  全連接神經網路
      6.2.1  全連接神經網路的PyTorch實踐
      6.2.2  全連接神經網路的TensorFlow實踐
      6.2.3  全連接神經網路的PaddlePaddle實踐
    6.3  卷積神經網路
      6.3.1  卷積神經網路的PyTorch實踐
      6.3.2  卷積神經網路的TensorFlow實踐
      6.3.3  卷積神經網路的PaddlePaddle實踐
    6.4  殘差神經網路
      6.4.1  殘差神經網路的PyTorch實踐
      6.4.2  殘差神經網路的TensorFlow實踐
      6.4.3  殘差神經網路的PaddlePaddle實踐
    6.5  循環神經網路
      6.5.1  循環神經網路的PyTorch實踐
      6.5.2  循環神經網路的TensorFlow實踐
      6.5.3  循環神經網路的PaddlePaddle實踐
    6.6  注意力機制
      6.6.1  注意力機制的PyTorch實踐
      6.6.2  注意力機制的TensorFlow實踐
      6.6.3  注意力機制的PaddlePaddle實踐
    6.7  自動編碼器
      6.7.1  自動編碼器的PyTorch實踐
      6.7.2  自動編碼器的TensorFlow實踐
      6.7.3  自動編碼器的PaddlePaddle實踐
    6.8  變換模型
      6.8.1  變換模型的PyTorch實踐
      6.8.2  變換模型的TensorFlow實踐
      6.8.3  變換模型的PaddlePaddle實踐
    6.9  深度學習模型的常用優化技巧
      6.9.1  隨機失活
      6.9.2  批標準化
      6.9.3  層標準化
    小結
  第7章  PySpark分散式機器學習
    7.1  PySpark環境配置
      7.1.1  使用Anaconda Navigator搭建和配置環境
      7.1.2  使用conda命令搭建和配置環境
      7.1.3  安裝JRE
    7.2  PySpark分散式數據結構
      7.2.1  RDD
      7.2.2  DataFrame
    7.3  PySpark分散式特徵工程
      7.3.1  特徵抽取
      7.3.2  特徵轉換

    7.4  PySpark分散式機器學習
      7.4.1  PySpark-ML分類預測模型
      7.4.2  PySpark-ML數值回歸模型
    7.5  分散式機器學習模型的常用優化技巧
      7.5.1  超參數尋優：留一驗證
      7.5.2  超參數尋優：交叉驗證
    小結
實踐篇
  第8章  Kaggle競賽實踐
    8.1  Titanic罹難乘客預測
      8.1.1  數據分析
      8.1.2  數據預處理
      8.1.3  模型設計與尋優
      8.1.4  提交測試
    8.2  Ames房產價格評估
      8.2.1  數據分析
      8.2.2  數據預處理
      8.2.3  模型設計與尋優
      8.2.4  提交測試
    8.3  Twitter短文本分類
      8.3.1  數據分析
      8.3.2  數據預處理
      8.3.3  模型設計與尋優
      8.3.4  提交測試
    8.4  CIFAR-100圖像識別
      8.4.1  數據分析
      8.4.2  數據預處理
      8.4.3  模型設計與尋優
      8.4.4  提交測試
    小結
  第9章  Git代碼管理
    9.1  Git本地環境搭建
      9.1.1  Windows下Git工具的安裝與配置
      9.1.2  macOS下Git工具的安裝與配置
      9.1.3  Ubuntu下Git工具的安裝與配置
    9.2  Git遠程倉庫配置
      9.2.1  GitHub介紹
      9.2.2  GitHub遠程倉庫的創建與配置
      9.2.3  Gitee介紹
      9.2.4  Gitee遠程倉庫的創建與配置
    9.3  Git基本指令
      9.3.1  克隆倉庫
      9.3.2  提交修改
      9.3.3  遠程推送
    9.4  Git分支管理
      9.4.1  創建分支
      9.4.2  分支合併
      9.4.3  合併衝突
      9.4.4  刪除分支
    9.5  貢獻Git項目

      9.5.1  復刻項目
      9.5.2  本地克隆、修改與推送
      9.5.3  發起拉取請求
    小結
後記

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032