Python大數據挖掘與人工智慧應用(微課版人工智慧應用人才能力培養新形態教材)

作者：編者:潘明章//黃恆秋//劉柏霆//柳雪飛|責編:許金霞
出版社：人民郵電
ISBN：9787115695048

出版日期：2026/10/01
裝幀：平裝
頁數：299

人民幣：RMB 69.8 元售價：元

內容大鋼

    本書以應用為導向，將理論與實踐相結合，深入淺出地介紹了利用Python進行大數據挖掘與人工智慧應用的基本知識。
    本書分為基礎篇和案例篇兩個部分。基礎篇（第1章?第9章）主要介紹Python大數據挖掘與人工智慧應用的基本概念、典型應用領域與常用工具，以及將其應用於科學計算、數據處理、數據可視化、特徵工程、機器學習、集成學習、深度學習、大模型API等方面的基礎知識；案例篇（第10章?第14章）主要介紹BERT預訓練模型本地微調和雲伺服器微調，以及利用百度千帆大模型平台實現DeepSeek-R1微調的應用案例、基於集成學習的發動機燃油噴射與排放預測、基於機器學習與深度學習模型的水色圖像水質評價、基於大模型的AI作畫與Streamlit Web應用部署、基於扣子平台和DeepSeek大模型的智能體開發。本書提供PPT課件、微課視頻、數據和程序、實驗等豐富的配套資源。
    本書可作為普通高等學校數據科學與大數據技術、人工智慧、電腦科學與技術等專業相關課程的教材，也可作為數據分析從業人員及數據挖掘愛好者的參考書。

作者介紹

編者:潘明章//黃恆秋//劉柏霆//柳雪飛|責編:許金霞

基礎篇
  第1章  緒論
    1.1  大數據挖掘概述
      1.1.1  大數據挖掘的基本概念
      1.1.2  大數據挖掘的主要應用領域
      1.1.3  大數據挖掘的一般流程
    1.2  大數據挖掘與人工智慧應用概述
      1.2.1  大數據挖掘與人工智慧的融合與區別
      1.2.2  大數據挖掘與人工智慧的協同關係
      1.2.3  大數據挖掘與人工智慧技術演化歷程
      1.2.4  大數據挖掘與人工智慧典型應用
    1.3  大數據挖掘與人工智慧應用工具
    1.4  開發環境安裝、啟動和應用基礎
      1.4.1  Python安裝
      1.4.2  Python啟動及界面認識
      1.4.3  Python安裝擴展包
    本章小結
    本章練習
  第2章  科學計算包NumPy
    2.1  NumPy簡介
    2.2  創建數組
      2.2.1  利用array()函數創建數組
      2.2.2  利用內置函數創建數組
    2.3  數組尺寸
    2.4  數組運算
    2.5  數組切片
      2.5.1  常見的數組切片方法
      2.5.2  利用ix_()函數進行數組切片
    2.6  數組連接
    2.7  數據存取
    2.8  數組形態變換
    2.9  數組排序與搜索
    2.10  矩陣與線性代數運算
      2.10.1  創建NumPy矩陣
      2.10.2  矩陣的屬性和基本運算
      2.10.3  線性代數運算
    本章小結
    本章練習
  第3章  數據處理包Pandas
    3.1  Pandas簡介
    3.2  序列
      3.2.1  序列創建及訪問
      3.2.2  序列屬性
      3.2.3  序列方法
      3.2.4  序列切片
      3.2.5  序列聚合運算
    3.3  數據框
      3.3.1  數據框創建
      3.3.2  數據框屬性
      3.3.3  數據框方法

      3.3.4  數據框切片
    3.4  外部文件讀取
      3.4.1  Excel文件讀取
      3.4.2  TXT文件讀取
      3.4.3  CSV文件讀取
    本章小結
    本章練習
  第4章  數據可視化包Matplotlib
    4.1  Matplotlib繪圖基礎
      4.1.1  Matplotlib圖像構成
      4.1.2  Matplotlib繪圖基本流程
      4.1.3  中文字元顯示
      4.1.4  坐標軸字元刻度標注
    4.2  Matplotlib常用圖形繪製
      4.2.1  散點圖
      4.2.2  線性圖
      4.2.3  柱狀圖
      4.2.4  直方圖
      4.2.5  餅圖
      4.2.6  箱線圖
      4.2.7  子圖
    本章小結
    本章練習
  第5章  數據預處理與特徵工程
    5.1  重複數據處理
    5.2  數據的合併與關聯
      5.2.1  基於數據框的合併
      5.2.2  基於數據框的關聯
    5.3  時間格式處理與時間元素提取
      5.3.1  時間處理函數
      5.3.2  時間元素提取
    5.4  映射與離散化
    5.5  滾動計算與分組統計計算
      5.5.1  滾動計算
      5.5.2  分組統計計算
    5.6  樣本均衡處理
      5.6.1  過抽樣
      5.6.2  欠抽樣
    5.7  缺失值處理
      5.7.1  單變數插值填充
      5.7.2  多變數插值填充
      5.7.3  K最近鄰插值填充
    5.8  數據規範化
      5.8.1  均值-方差規範化
      5.8.2  極差規範化
    5.9  特徵組合與特徵選擇
      5.9.1  基於主成分分析的特徵組合
      5.9.2  特徵選擇
    本章小結
    本章練習

  第6章  機器學習模型與實現
    6.1  線性回歸
      6.1.1  一元線性回歸
      6.1.2  多元線性回歸
      6.1.3  Python線性回歸應用舉例
    6.2  邏輯回歸
      6.2.1  邏輯回歸
      6.2.2  Python邏輯回歸應用舉例
    6.3  神經網路
      6.3.1  神經網路模擬思想
      6.3.2  神經網路結構及數學模型
      6.3.3  Python神經網路分類應用舉例
      6.3.4  Python神經網路回歸應用舉例
    6.4  支持向量機
      6.4.1  支持向量機原理
      6.4.2  Python支持向量機應用舉例
    6.5  k均值聚類
      6.5.1  k均值聚類的基本原理
      6.5.2  Python k均值聚類應用舉例
    6.6  關聯規則
      6.6.1  關聯規則的概念
      6.6.2  布爾關聯規則挖掘
      6.6.3  一對一關聯規則挖掘及Python實現
    本章小結
    本章練習
  第7章  集成學習模型與實現
    7.1  集成學習的概念
      7.1.1  集成學習的基本原理
      7.1.2  個體學習器對集成學習模型性能的影響
      7.1.3  集成學習的結合策略
      7.1.4  集成學習的類型
    7.2  Bagging演算法
      7.2.1  Bagging演算法的基本原理
      7.2.2  Bagging演算法的sklearn實現
      7.2.3  Bagging演算法的應用舉例
    7.3  隨機森林演算法
      7.3.1  隨機森林演算法的基本原理
      7.3.2  隨機森林演算法的sklearn實現
      7.3.3  Python隨機森林演算法的應用舉例
    7.4  Boosting演算法
    7.5  AdaBoost演算法
      7.5.1  AdaBoost演算法的基本原理
      7.5.2  AdaBoost演算法的sklearn實現
      7.5.3  AdaBoost演算法的應用舉例
    7.6  GBDT演算法
      7.6.1  GBDT演算法的基本原理
      7.6.2  GBDT演算法的sklearn實現
      7.6.3  GBDT演算法的應用舉例
    7.7  XGBoost演算法
      7.7.1  XGBoost演算法的基本原理

      7.7.2  XGBoost演算法的sklearn實現
      7.7.3  XGBoost演算法的應用舉例
    本章小結
    本章練習
  第8章  深度學習模型與實現
    8.1  深度學習簡介
    8.2  深度學習框架簡介
      8.2.1  PyTorch框架
      8.2.2  PaddlePaddle框架
      8.2.3  TensorFlow框架
    8.3  TensorFlow基礎
      8.3.1  TensorFlow安裝
      8.3.2  TensorFlow命令簡介
      8.3.3  TensorFlow案例
    8.4  多層神經網路
      8.4.1  多層神經網路結構及數學模型
      8.4.2  多層神經網路分類問題應用舉例
      8.4.3  多層神經網路回歸問題應用舉例
    8.5  卷積神經網路
      8.5.1  卷積層計算
      8.5.2  池化層計算
      8.5.3  全連接層計算
      8.5.4  CNN應用案例
    8.6  循環神經網路
      8.6.1  RNN結構及數學模型
      8.6.2  長短期記憶網路
      8.6.3  RNN應用案例
    本章小結
    本章練習
  第9章  大模型基礎與開發平台
    9.1  大模型基本認識
    9.2  BERT預訓練模型
      9.2.1  BERT開發環境搭建：基於Python和TensorFlow
      9.2.2  BERT模型的基本概念
      9.2.3  BERT模型的輸入
      9.2.4  BERT模型的輸出
      9.2.5  BERT特徵提取與文本相似度計算
      9.2.6  BERT下游微調任務之分類
      9.2.7  BERT下游微調任務之問答
      9.2.8  BERT下游微調模型保存與載入
    9.3  DeepSeek開發平台及其大模型調用實例
      9.3.1  Python SDK與OpenAI介面包安裝
      9.3.2  DeepSeek-V3調用實例
      9.3.3  DeepSeek-R1調用實例
    9.4  百度千帆大模型平台及應用實例
      9.4.1  Python SDK安裝
      9.4.2  安全認證AK/SK鑒權
      9.4.3  文心大語言模型應用實例
      9.4.4  Stable Diffusion XL模型應用實例：圖像生成
      9.4.5  Fuyu-8B模型應用實例：圖像理解

      9.4.6  基於Fuyu-8B模型與OpenCV的拓展應用實例：視頻理解
    9.5  阿里雲百煉大模型平台及應用實例
      9.5.1  Python SDK安裝
      9.5.2  創建API Key
      9.5.3  基於千問ASR模型的本地錄音文件識別：語音轉文字
      9.5.4  基於Paraformer模型的實時語音識別：實時語音轉文字
      9.5.5  基於Sambert模型的語音合成：文字轉語音
    本章小結
    本章練習
案例篇
  第10章  BERT與DeepSeek大模型微調應用案例
    10.1  BERT大語言模型本地微調實現中文閱讀理解
      10.1.1  案例介紹
      10.1.2  數據解讀
      10.1.3  數據解析
      10.1.4  長文本截斷處理
      10.1.5  答案在截斷文本中的開始位置和結束位置獲取
      10.1.6  BERT輸入參數及開始位置、結束位置標籤構造
      10.1.7  BERT微調模型的訓練集、驗證集和測試集構造
      10.1.8  BERT微調模型編譯、訓練與保存
      10.1.9  BERT微調模型載入及應用
    10.2  BERT大語言模型雲伺服器微調實現中文閱讀理解
      10.2.1  AutoDL雲伺服器資源租賃
      10.2.2  開發環境搭建
      10.2.3  數據和依賴文件上傳
      10.2.4  模型微調訓練
      10.2.5  模型應用
    10.3  百度千帆大模型平台微調DeepSeek-R1實現醫學問答
      10.3.1  平台基本認識
      10.3.2  數據集準備
      10.3.3  數據集創建
      10.3.4  模型微調訓練
      10.3.5  模型部署
      10.3.6  模型應用
    本章小結
    本章練習
  第11章  基於集成學習的發動機燃油噴射與排放預測
    11.1  基於梯度提升樹模型的發動機燃油噴射預測
      11.1.1  案例目標及實現思路
      11.1.2  數據獲取與探索
      11.1.3  模型建立與實現
      11.1.4  結果分析
    11.2  基於MPA-LightGBM的發動機CO、HC和NOx排放預測
      11.2.1  案例目標及實現思路
      11.2.2  數據獲取與探索
      11.2.3  LightGBM模型框架簡介
      11.2.4  MPA的原理和實現
      11.2.5  基於MPA-LightGBM的發動機排放預測
      11.2.6  結果分析
    本章小結

    本章練習
  第12章  基於機器學習與深度學習模型的水色圖像水質評價
    12.1  案例背景
    12.2  案例目標及實現思路
    12.3  數據獲取與探索
    12.4  支持向量機分類識別模型
      12.4.1  顏色特徵計算方法
      12.4.2  自變數與因變數計算
      12.4.3  模型實現
    12.5  卷積神經網路分類識別模型：灰度圖像
      12.5.1  數據處理
      12.5.2  模型實現
    12.6  卷積神經網路分類識別模型：彩色圖像
      12.6.1  數據處理
      12.6.2  模型實現
    本章小結
    本章練習
  第13章  基於大模型的AI作畫與Streamlit Web應用部署
    13.1  基於大模型的AI作畫與Streamlit Web應用開發
      13.1.1  Streamlit開發環境搭建
      13.1.2  主體頁面設計
      13.1.3  主體頁面程序實現
      13.1.4  繪圖事件函數定義
      13.1.5  Streamlit Web開發
    13.2  基於百度飛槳AI Studio星河社區的Streamlit Web應用部署
    13.3  基於騰訊雲伺服器的Streamlit Web應用部署
      13.3.1  騰訊雲伺服器的選擇及配置
      13.3.2  創建Xshell連接騰訊雲伺服器
      13.3.3  寶塔Linux面板註冊和登錄
      13.3.4  寶塔Linux面板安裝環境依賴
      13.3.5  項目文件上傳與Web部署
    本章小結
    本章練習
  第14章  基於扣子平台和DeepSeek大模型的智能體開發
    14.1  大模型應用前沿與發展動態
    14.2  大模型應用前沿：智能體
      14.2.1  智能體概念及應用前景
      14.2.2  智能體開發流程：以扣子平台為例
      14.2.3  基於DeepSeek-V3/DeepSeek-R1的智能體開發
    本章小結
    本章練習
參考文獻

同類熱銷排行榜

最近瀏覽的商品

Python大數據挖掘與人工智慧應用(微課版人工智慧應用人才能力培養新形態教材)