本书将基础理论和算法实现相结合，循序渐进地介绍了关于人工智能领域中的常见算法，全面、系统地介绍了如何使用Python实现人工智能算法，并通过PyTorch框架视线人工智能算法中的深度学习内容。全书共5章，分别介绍Python的安装和基础知识、科学计算库、描述性分析、经典算法和深度学习等知识.书中的每个知识点都有相应的实例和实现代码。本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，高等院校相关专业师生，以及相关领域的广大科研人员。

于祥雨，硕士研究生，数据分析师，主要研究方向为数据分析、深度学习和智能教育，长期从事数据分析、机器学习、数据挖掘和人工智能等方面的工作，曾参与多项国家自然基金项目。

章准备工作
1.1Python的安装
1.1.1简介
1.1.2安装
1.1.3常用模块
1.1.4虚拟环境
1.2基础知识
1.2.1认识Python
1.2.2数据类型
1.2.3数据结构
1.2.4条件判断
1.2.5循环
1.2.6实例
1.3Notebook开发环境
1.3.1搭建Jupyter
1.3.2搭建Jupyterlab
1.4本章小结
第2章科学计算库
2.1NumPy
2.1.1构建数组
2.1.2数组运算
2.1.3函数运算
2.1.4文件存取
2.2SymPy
2.3SciPy
2.3.1非线性方程组
2.3.2最小二乘
2.3.3插值
2.4pandas
2.4.1Series
2.4.2dataframe
2.4.3日平均线
2.4.4数据存取
2.5Matplotlib
2.5.1二维图形
2.5.2三维图形
2.6本章小结
第3章描述性分析
3.1数据
3.2基本统计量
3.2.1平均数
3.2.2最值
3.2.3中位数
3.2.4众数
3.2.5极差
3.2.6方差
3.2.7变异系数
3.2.8协方差
3.2.9相关系数
3.3数据转换
3.3.1中心化
3.3.2min-max标准化
3.3.3Box-Cox转换
3.3.4log函数转换
3.3.5z-score标准化
3.4常见距离
3.4.1闵氏距离
3.4.2余弦值相似度
3.5多维数据
3.5.1矩阵
3.5.2特征值和特征向量
3.5.3多重共线性
3.6学生基本信息实例
3.7本章小结
第4章经典算法
4.1线性回归
4.1.1思想方法
4.1.2线性回归算法步骤
4.1.3实例
4.2逻辑回归
4.2.1算法思想
4.2.2步骤
4.2.3实例
4.3主成分分析
4.3.1算法思想
4.3.2步骤
4.3.3实例
4.4线性判别分析
4.4.1算法思想
4.4.2步骤
4.4.3实例
4.5决策树
4.5.1算法思想
4.5.2步骤
4.5.3实例
4.6随机森林
4.6.1算法思想
4.6.2实例
4.7集成学习
4.7.1Bagging
4.7.2Boosting
4.7.3Stacking
4.8朴素贝叶斯
4.8.1算法思想
4.8.2步骤
4.8.3实例
4.9k最近邻算法
4.9.1算法思想
4.9.2步骤
4.9.3实例
4.10k-means聚类
4.10.1算法思想
4.10.2算法步骤
4.10.3实例
4.11推荐算法
4.11.1算法思想
4.11.2基于用户的协同过滤
4.11.3步骤
4.11.4基于内容的协同过滤
4.11.5总结
4.12SVD
4.12.1步骤
4.12.2实例
4.13本章小结
第5章深度学习
5.1PyTorch
5.1.1PyTorch安装
5.1.2创建tensor
5.1.3基本运算
5.1.4矩阵运算
5.2基础知识
5.2.1蒙特卡洛法
5.2.2梯度下降法
5.2.3封装实现
5.2.4激活函数
5.2.5softmax
5.3前馈神经网络
5.3.1思想原理
5.3.2手写体识别实例
5.4卷积神经网络
5.4.1核函数
5.4.2池化层
5.4.3LeNet
5.4.4AlexNet
5.4.5ResNet
5.4.6GoogLeNet
5.4.7垃圾分类实例
5.5生成对抗网络
5.5.1思想原理
5.5.2对抗网络实例
5.6其他神经网络
5.6.1循环神经网络
5.6.2风格迁移神经网络
5.7本章小结
参考文献