機器學(xué)習(xí)

第1章 緒論
1.1 AI的歷史起源
1.2 什么是智能與AI
1.3 人工智能的分類
1.4 人工智能和大數(shù)據(jù)
第2章 Python基礎(chǔ)知識
2.1 Python虛擬環(huán)境與庫安裝方法
2.2 Python流程控制語法
2.3 列表、元組、字典與集合
2.4 Python函數(shù)
2.5 面向?qū)ο缶幊?br />第3章 模型評估及模型
3.1 向量矩陣和數(shù)組
3.2 索引、切片和迭代
3.3 Pandas數(shù)據(jù)整理
3.4 Pandas的Series數(shù)據(jù)結(jié)構(gòu)
3.5 Pandas的DataFrame數(shù)據(jù)結(jié)構(gòu)
3.6 數(shù)據(jù)加載、存儲與文件格式
3.7 數(shù)據(jù)清洗和準備
3.8 圖像數(shù)據(jù)讀取與處理
3.9 數(shù)據(jù)可視化基礎(chǔ)
3.10 數(shù)據(jù)可視化折線圖、柱狀圖、散點圖
第4章 機器學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)
4.1 模式識別、機器學(xué)習(xí)的區(qū)別與聯(lián)系
4.2 什么是機器學(xué)習(xí)
4.3 機器學(xué)習(xí)的專業(yè)術(shù)語、開發(fā)流程與工具
4.4 機器學(xué)習(xí)基礎(chǔ)補充
4.5 多項式曲線擬合
4.6 k-近鄰算法
4.7 K-Means(K-均值)、聚類算法
4.8 利用PCA來簡化數(shù)據(jù)
4.9 神經(jīng)網(wǎng)絡(luò)
4.10 Torch運算
4.11 Pytorch搭建神經(jīng)網(wǎng)絡(luò)
4.12 保存和加載模型
第5章 MNIST識別及圖像分類
5.1 MNIST手寫數(shù)字識別
5.2 MNIST圖像分類
參考文獻