欧美精品v欧洲精品黑人,国产综合精品久久久

本書在不涉及大量數(shù)學(xué)與編程知識(shí)的前提下，從零開始，逐步帶領(lǐng)讀者熟悉并掌握當(dāng)下最流行的基于Python 3的人工智能編程工具，包括但不限于數(shù)據(jù)分析（Pandas），以及支持單機(jī)（Scikitlearn）、深度（PyTorch、TensorFlow、PaddlePaddle）和分布式（PySparkML）機(jī)器學(xué)習(xí)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(duì)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(tǒng)上（如Windows、macOS和Ubuntu）配置基本編程環(huán)境的詳細(xì)說明。
（2）基礎(chǔ)篇：涵蓋了Python 3.11的編程基礎(chǔ)、基于Pandas 2.0的數(shù)據(jù)分析，以及使用Scikitlearn 1.3解決大量經(jīng)典的單機(jī)（單核/多核）機(jī)器學(xué)習(xí)問題。
（3）進(jìn)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(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架。嘗試基于PySpark 3.4的ML編程庫完成一些常見的分布式機(jī)器學(xué)習(xí)任務(wù)。
（4）實(shí)踐篇：利用全書所講授的Python編程、數(shù)據(jù)分析，以及（單機(jī)、深度、分布式）機(jī)器學(xué)習(xí)知識(shí)，從事Kaggle多種類型的競賽實(shí)戰(zhàn)。同時(shí)，介紹如何使用Git工具，在Gitee與GitHub平臺(tái)上更新和維護(hù)自己的日常代碼與編程項(xiàng)目。
綜上，本書面向所有對(duì)人工智能領(lǐng)域感興趣的讀者，特別適合從事數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、自然語言處理等相關(guān)技術(shù)研發(fā)和應(yīng)用實(shí)踐的初學(xué)者。

自本書的第1版《Python機(jī)器學(xué)習(xí)及實(shí)踐：從零開始通往Kaggle競賽之路》于2016年付梓以來，我始終投身于人工智能（Artificial Intelligence，AI）新產(chǎn)品與技術(shù)的研發(fā)領(lǐng)域。時(shí)隔多年，回望這段時(shí)間，我親身感受到了人工智能理論和技術(shù)的飛速發(fā)展，幾乎可以用日新月異一詞來形容。
在這段時(shí)間里，我看到了大量承載著前沿人工智能理念和技術(shù)的次世代原型產(chǎn)品被孵化出來，不斷刷新著人類的認(rèn)知。這些典型的例子包括波士頓動(dòng)力（Boston Dynamics）公司的機(jī)器人Atlas可以像人類運(yùn)動(dòng)員一樣，實(shí)現(xiàn)跑步越障、后空翻和驚人的三級(jí)跳動(dòng)作；OpenAI發(fā)布的聊天機(jī)器人ChatGPT能夠與用戶進(jìn)行多輪流暢的對(duì)話、創(chuàng)作故事，甚至編寫軟件代碼；DeepMind構(gòu)建的AlphaGo系列對(duì)弈程序，接連戰(zhàn)勝了多位人類頂尖圍棋大師；以及國內(nèi)外自動(dòng)駕駛平臺(tái)（如特斯拉FSD和百度Apollo）所支持的新型智能汽車陸續(xù)投入量產(chǎn)，等等。
同時(shí)，許多世界頂級(jí)科研人員在機(jī)器視覺、語音合成、閱讀理解等人工智能的細(xì)分領(lǐng)域進(jìn)行著不懈的理論探索。在這期間，我們不斷聽聞人工智能已經(jīng)在這些細(xì)分領(lǐng)域逐漸超越人類的平均水平。這些細(xì)分的領(lǐng)域技術(shù)經(jīng)過工程化的打磨和融合之后，又重新在一些既有的人工智能產(chǎn)品上給我們帶來了全新的用戶體驗(yàn)（例如，更加實(shí)時(shí)和準(zhǔn)確的機(jī)器同聲傳譯；或者是那些敢同真人打電話，聊天過程完全不尬，甚至還略帶點(diǎn)兒萌腔的語音助手）。
這些新的技術(shù)進(jìn)步和大量的讀者來信時(shí)刻鞭策著我。許多熱情洋溢的讀者來信肯定了上一版書籍所給予他們的莫大幫助；同時(shí)，也有資深的前輩指出了其中的疏漏與不足。在這里我一并誠摯地感謝大家！
從上一個(gè)版本開始，書中一些關(guān)鍵的基于Python 3的機(jī)器學(xué)習(xí)與數(shù)據(jù)分析工具（包括但不限于Pandas、Scikitlearn、PyTorch、TensorFlow、PaddlePaddle、PySpark）均已經(jīng)有了較大幅度的版本更新，甚至一些工具的常用API也進(jìn)行了調(diào)整和修改。因此，本人決定開始新一版書籍的規(guī)劃與寫作。同時(shí)，考慮到本書將更加廣泛地涉及人工智能編程實(shí)踐的方方面面，自2024年始，本書正式更名為《Python人工智能編程實(shí)踐》。
《Python人工智能編程實(shí)踐》將持續(xù)跟進(jìn)Python、Pandas、Scikitlearn、PyTorch、TensorFlow、PaddlePaddle，以及PySparkML的更新，維護(hù)書籍內(nèi)容的先進(jìn)性和代碼的可用性。同時(shí)，本書將繼續(xù)保持我們的核心理念：力求減少讀者對(duì)編程技能和數(shù)學(xué)知識(shí)的過分依賴，進(jìn)而降低理解與實(shí)踐人工智能的門檻；并試圖讓更多的興趣愛好者體會(huì)到使用單機(jī)、深度乃至分布式機(jī)器學(xué)習(xí)方法解決實(shí)際問題的樂趣。
全書所介紹的上述核心工具，均是作者本人長期總結(jié)行業(yè)經(jīng)驗(yàn)和精心篩選的成果。在面對(duì)現(xiàn)實(shí)中的工程或者科研難題，甚至是參加一些公開競賽（如Kaggle、天池競賽等）的時(shí)候，相信本書都能夠幫助讀者使用Python編程語言快速上手，并結(jié)合一系列經(jīng)典的開源工具，搭建行之有效的計(jì)算機(jī)程序來解決實(shí)際問題。
在大數(shù)據(jù)時(shí)代，只要是與數(shù)據(jù)相關(guān)的從業(yè)人員，掌握Python編程、數(shù)據(jù)分析乃至機(jī)器學(xué)習(xí)的能力，都是一個(gè)不錯(cuò)的職業(yè)加分項(xiàng)。不論是在金融、統(tǒng)計(jì)、數(shù)理研究、物理計(jì)算、社會(huì)科學(xué)、工業(yè)工程等領(lǐng)域的從業(yè)者，還是在互聯(lián)網(wǎng)行業(yè)的程序員、數(shù)據(jù)分析師、運(yùn)營人員、產(chǎn)品經(jīng)理等，都會(huì)對(duì)本書有著不同程度的學(xué)習(xí)需求。
本書所介紹的知識(shí)，相信一定能夠幫助讀者通過一些專業(yè)類的培訓(xùn)、考試和資格評(píng)定，如國家人工智能工程技術(shù)職業(yè)培訓(xùn)、省/市級(jí)人工智能工程師職稱評(píng)定、注冊(cè)數(shù)據(jù)分析師認(rèn)證（CDA、CPDA），等等。鑒于內(nèi)容的入門性和普適性，本書也可以被廣泛用于初、高中生的信息學(xué)興趣培養(yǎng)，�？坡殬I(yè)教育，本科、研究生通識(shí)課程的講授，等等。
衷心希望每一位讀者都能夠從本書中獲益，這也是對(duì)我最大的支持和鼓勵(lì)。普及人工智能，使機(jī)器學(xué)習(xí)的理論與實(shí)踐成為一種大眾的通識(shí)教育，始終是我編寫此系列書籍的長期目標(biāo)和動(dòng)力。

范淼
2024年1月

入門篇
第1章全書指南31.1Python編程3
1.2數(shù)據(jù)分析5
1.3機(jī)器學(xué)習(xí)6
1.3.1任務(wù)8
1.3.2經(jīng)驗(yàn)8
1.3.3表現(xiàn)9
1.4Kaggle競賽11
1.5Git代碼管理12
小結(jié)13
第2章基本環(huán)境搭建與配置14
2.1Windows下基本環(huán)境的搭建與配置14
2.1.1查看Windows的版本與原始配置14
2.1.2下載并安裝Anaconda3（Windows版本）15
2.1.3創(chuàng)建虛擬環(huán)境python_env16
2.1.4在虛擬環(huán)境python_env下安裝Jupyter Notebook17
2.2macOS下基本環(huán)境的搭建與配置18
2.2.1查看macOS的版本與原始配置18
2.2.2下載并安裝Anaconda3（macOS版本）19
2.2.3創(chuàng)建虛擬環(huán)境python_env20
2.2.4在虛擬環(huán)境python_env下安裝Jupyter Notebook21
2.3Ubuntu下基本環(huán)境的搭建與配置22
2.3.1查看Ubuntu的版本與原始配置22
2.3.2下載并安裝Anaconda3（Linux版本）23
2.3.3創(chuàng)建虛擬環(huán)境python_env23
2.3.4在虛擬環(huán)境python_env下安裝Jupyter Notebook25Python人工智能編程實(shí)踐目錄2.4Jupyter Notebook使用簡介26
2.4.1在虛擬環(huán)境python_env下啟動(dòng)Jupyter Notebook26
2.4.2創(chuàng)建一個(gè).ipynb文件27
2.4.3試運(yùn)行.ipynb文件內(nèi)的Python 3程序28
2.5PyCharm使用簡介28
2.5.1安裝PyCharm29
2.5.2在虛擬環(huán)境python_env下啟動(dòng)PyCharm30
2.5.3創(chuàng)建一個(gè).py文件31
2.5.4試運(yùn)行.py文件內(nèi)的Python 3程序32
小結(jié)32
基礎(chǔ)篇
第3章Python編程基礎(chǔ)353.1Python環(huán)境配置35
3.1.1基于命令行/終端的交互式編程環(huán)境35
3.1.2基于Web的交互式開發(fā)環(huán)境36
3.1.3集成式開發(fā)環(huán)境38
3.2Python基本語法39
3.2.1注釋39
3.2.2賦值40
3.2.3縮進(jìn)41
3.3Python數(shù)據(jù)類型41
3.4Python數(shù)據(jù)運(yùn)算44
3.5Python流程控制46
3.5.1分支語句47
3.5.2循環(huán)控制48
3.6Python函數(shù)設(shè)計(jì)49
3.7Python面向?qū)ο缶幊?9
3.8Python編程庫（包）/模塊導(dǎo)入51
3.9Python編程綜合實(shí)踐53
小結(jié)54
第4章Pandas數(shù)據(jù)分析55
4.1Pandas環(huán)境配置55
4.1.1使用Anaconda Navigator搭建和配置環(huán)境56
4.1.2使用conda命令搭建和配置環(huán)境57
4.2Pandas核心數(shù)據(jù)結(jié)構(gòu)58
4.2.1序列58
4.2.2數(shù)據(jù)框59
4.3Pandas讀取/寫入文件數(shù)據(jù)60
4.3.1讀取/寫入CSV文件數(shù)據(jù)60
4.3.2讀取/寫入JSON文件數(shù)據(jù)62
4.3.3讀取/寫入Excel文件數(shù)據(jù)64
4.4Pandas數(shù)據(jù)分析的常用功能67
4.4.1添加數(shù)據(jù)67
4.4.2刪除數(shù)據(jù)69
4.4.3查詢/篩選數(shù)據(jù)69
4.4.4修改數(shù)據(jù)70
4.4.5數(shù)據(jù)統(tǒng)計(jì)71
4.4.6數(shù)據(jù)排序72
4.4.7函數(shù)應(yīng)用73
4.5Pandas數(shù)據(jù)合并74
4.6Pandas數(shù)據(jù)清洗75
4.7Pandas數(shù)據(jù)分組與聚合77
小結(jié)78
第5章Scikitlearn單機(jī)機(jī)器學(xué)習(xí)80
5.1Scikitlearn環(huán)境配置81
5.1.1使用Anaconda Navigator搭建和配置環(huán)境81
5.1.2使用conda命令搭建和配置環(huán)境82
5.2Scikitlearn無監(jiān)督學(xué)習(xí)83
5.2.1降維學(xué)習(xí)與可視化83
5.2.2聚類算法91
5.3Scikitlearn監(jiān)督學(xué)習(xí)98
5.3.1分類預(yù)測模型98
5.3.2數(shù)值回歸模型114
5.4Scikitlearn半監(jiān)督學(xué)習(xí)模型123
5.4.1自學(xué)習(xí)框架123
5.4.2標(biāo)簽傳播算法126
5.5單機(jī)機(jī)器學(xué)習(xí)模型的常用優(yōu)化技巧127
5.5.1交叉驗(yàn)證127
5.5.2特征工程129
5.5.3參數(shù)正則化135
5.5.4超參數(shù)尋優(yōu)139
5.5.5并行加速訓(xùn)練140
小結(jié)142
進(jìn)階篇
第6章PyTorch/TensorFlow/PaddlePaddle深度學(xué)習(xí)1476.1PyTorch/TensorFlow/PaddlePaddle環(huán)境配置148
6.1.1PyTorch環(huán)境配置148
6.1.2TensorFlow環(huán)境配置150
6.1.3PaddlePaddle環(huán)境配置151
6.2全連接神經(jīng)網(wǎng)絡(luò)153
6.2.1全連接神經(jīng)網(wǎng)絡(luò)的PyTorch實(shí)踐153
6.2.2全連接神經(jīng)網(wǎng)絡(luò)的TensorFlow實(shí)踐157
6.2.3全連接神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實(shí)踐159
6.3卷積神經(jīng)網(wǎng)絡(luò)161
6.3.1卷積神經(jīng)網(wǎng)絡(luò)的PyTorch實(shí)踐162
6.3.2卷積神經(jīng)網(wǎng)絡(luò)的TensorFlow實(shí)踐166
6.3.3卷積神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實(shí)踐168
6.4殘差神經(jīng)網(wǎng)絡(luò)171
6.4.1殘差神經(jīng)網(wǎng)絡(luò)的PyTorch實(shí)踐172
6.4.2殘差神經(jīng)網(wǎng)絡(luò)的TensorFlow實(shí)踐175
6.4.3殘差神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實(shí)踐178
6.5循環(huán)神經(jīng)網(wǎng)絡(luò)181
6.5.1循環(huán)神經(jīng)網(wǎng)絡(luò)的PyTorch實(shí)踐182
6.5.2循環(huán)神經(jīng)網(wǎng)絡(luò)的TensorFlow實(shí)踐185
6.5.3循環(huán)神經(jīng)網(wǎng)絡(luò)的PaddlePaddle實(shí)踐187
6.6注意力機(jī)制190
6.6.1注意力機(jī)制的PyTorch實(shí)踐191
6.6.2注意力機(jī)制的TensorFlow實(shí)踐194
6.6.3注意力機(jī)制的PaddlePaddle實(shí)踐196
6.7自動(dòng)編碼器199
6.7.1自動(dòng)編碼器的PyTorch實(shí)踐200
6.7.2自動(dòng)編碼器的TensorFlow實(shí)踐203
6.7.3自動(dòng)編碼器的PaddlePaddle實(shí)踐206
6.8變換模型209
6.8.1變換模型的PyTorch實(shí)踐210
6.8.2變換模型的TensorFlow實(shí)踐214
6.8.3變換模型的PaddlePaddle實(shí)踐216
6.9深度學(xué)習(xí)模型的常用優(yōu)化技巧219
6.9.1隨機(jī)失活219
6.9.2批標(biāo)準(zhǔn)化228
6.9.3層標(biāo)準(zhǔn)化235
小結(jié)244
第7章PySpark分布式機(jī)器學(xué)習(xí)246
7.1PySpark環(huán)境配置248
7.1.1使用Anaconda Navigator搭建和配置環(huán)境248
7.1.2使用conda命令搭建和配置環(huán)境249
7.1.3安裝JRE250
7.2PySpark分布式數(shù)據(jù)結(jié)構(gòu)251
7.2.1RDD252
7.2.2DataFrame254
7.3PySpark分布式特征工程255
7.3.1特征抽取255
7.3.2特征轉(zhuǎn)換260
7.4PySpark分布式機(jī)器學(xué)習(xí)263
7.4.1PySparkML分類預(yù)測模型264
7.4.2PySparkML數(shù)值回歸模型269
7.5分布式機(jī)器學(xué)習(xí)模型的常用優(yōu)化技巧273
7.5.1超參數(shù)尋優(yōu)：留一驗(yàn)證274
7.5.2超參數(shù)尋優(yōu)：交叉驗(yàn)證275
小結(jié)277
實(shí)踐篇
第8章Kaggle競賽實(shí)踐2818.1Titanic罹難乘客預(yù)測282
8.1.1數(shù)據(jù)分析282
8.1.2數(shù)據(jù)預(yù)處理284
8.1.3模型設(shè)計(jì)與尋優(yōu)285
8.1.4提交測試286
8.2Ames房產(chǎn)價(jià)格評(píng)估287
8.2.1數(shù)據(jù)分析288
8.2.2數(shù)據(jù)預(yù)處理292
8.2.3模型設(shè)計(jì)與尋優(yōu)294
8.2.4提交測試294
8.3Twitter短文本分類295
8.3.1數(shù)據(jù)分析296
8.3.2數(shù)據(jù)預(yù)處理297
8.3.3模型設(shè)計(jì)與尋優(yōu)298
8.3.4提交測試299
8.4CIFAR100圖像識(shí)別300
8.4.1數(shù)據(jù)分析301
8.4.2數(shù)據(jù)預(yù)處理302
8.4.3模型設(shè)計(jì)與尋優(yōu)303
8.4.4提交測試305
小結(jié)306
第9章Git代碼管理308
9.1Git本地環(huán)境搭建309
9.1.1Windows下Git工具的安裝與配置309
9.1.2macOS下Git工具的安裝與配置309
9.1.3Ubuntu下Git工具的安裝與配置309
9.2Git遠(yuǎn)程倉庫配置310
9.2.1GitHub介紹311
9.2.2GitHub遠(yuǎn)程倉庫的創(chuàng)建與配置311
9.2.3Gitee介紹312
9.2.4Gitee遠(yuǎn)程倉庫的創(chuàng)建與配置312
9.3Git基本指令313
9.3.1克隆倉庫313
9.3.2提交修改314
9.3.3遠(yuǎn)程推送314
9.4Git分支管理316
9.4.1創(chuàng)建分支317
9.4.2分支合并317
9.4.3合并沖突317
9.4.4刪除分支319
9.5貢獻(xiàn)Git項(xiàng)目319
9.5.1復(fù)刻項(xiàng)目319
9.5.2本地克隆、修改與推送320
9.5.3發(fā)起拉取請(qǐng)求320
小結(jié)322
后記323

你還可能感興趣

我要評(píng)論