人工智能算法案例大全：基于Python

前言
第1章無(wú)處不在的算法
1.1人工智能發(fā)展的歷史
1.2人工智能算法的分類與流派
第2章常見(jiàn)的數(shù)據(jù)特征處理
2.1常見(jiàn)的數(shù)據(jù)預(yù)處理和特征選擇方法
2.1.1常見(jiàn)的數(shù)據(jù)預(yù)處理
2.1.2常見(jiàn)的特征選擇方法
2.2主成分分析
2.2.1PCA算法步驟和特征分解理論
2.2.2PCA規(guī)約MNIST數(shù)據(jù)集
2.3高新技術(shù)企業(yè)行業(yè)技術(shù)周期數(shù)據(jù)的可視化和相關(guān)性分析
2.3.1特征的系統(tǒng)性描述
2.3.2特征的深入觀察
第3章常見(jiàn)的回歸模型
3.1線性回歸模型
3.1.1普通小二乘法的原理
3.1.2廣告投入產(chǎn)出分析案例
3.2邏輯斯諦回歸
3.2.1邏輯斯諦回歸的原理
3.2.2乳腺癌惡性、良性腫瘤分類預(yù)測(cè)
3.3正則化方法
3.3.1普通小二乘法與嶺回歸
3.3.2核嶺回歸
3.3.3核嶺回歸、嶺回歸和LASSO的區(qū)別與聯(lián)系
3.3.4常用核函數(shù)
3.3.5社區(qū)和犯罪數(shù)據(jù)集的分析
第4章基于實(shí)例的算法
4.1K-Means算法
4.1.1K-Means的算法原理
4.1.2基于K-Means聚類分析的肥胖原因探索
4.2KNN算法
4.2.1KNN的算法原理
4.2.2手機(jī)流量套餐的KNN聚類研究
第5章樹(shù)方法
5.1決策樹(shù)
5.1.1決策樹(shù)的原理
5.1.2泰坦尼克號(hào)的末日求生
5.2隨機(jī)森林
5.2.1隨機(jī)森林的原理
5.2.2泰坦尼克號(hào)的生存分析
5.3XGBoost
5.3.1XGBoost的算法原理
5.3.2滬深300指數(shù)的波動(dòng)率預(yù)測(cè)
第6章神經(jīng)網(wǎng)絡(luò)
6.1多層感知器
6.1.1線性可分的二分類案例
6.1.2線性不可分的案例
6.2深度神經(jīng)網(wǎng)絡(luò)
6.2.1基于Ames House Price數(shù)據(jù)的XGBoost模型案例
6.2.2基于Ames House Price數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)案例
6.3卷積神經(jīng)網(wǎng)絡(luò)
6.3.1隨機(jī)森林識(shí)別mnist數(shù)據(jù)集
6.3.2卷積神經(jīng)網(wǎng)絡(luò)識(shí)別mnist數(shù)據(jù)集
6.3.3卷積神經(jīng)網(wǎng)絡(luò)識(shí)別帶有噪聲的mnist數(shù)據(jù)集
6.4循環(huán)神經(jīng)網(wǎng)絡(luò)
6.4.1時(shí)間序列的可視化與特征分析
6.4.2GRU網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
6.4.3模型訓(xùn)練與預(yù)測(cè)
第7章自然語(yǔ)言處理
7.1常用的文本處理技巧
7.1.1文本數(shù)據(jù)展示和基本性質(zhì)觀察
7.1.2多個(gè)語(yǔ)料庫(kù)的深入分析
7.2文本分析和挖掘
7.2.1Women's Clothing E-Commerce Reviews數(shù)據(jù)集的分析與觀察
7.2.2基于詞向量模型的分類預(yù)測(cè)
7.2.3基于詞匯的情感分析
7.3主題建模
7.3.1潛在語(yǔ)義分析
7.3.2sklearn庫(kù)的LDA模型
7.3.3gensim庫(kù)的LDA模型
7.4新聞的內(nèi)容分析與LDA主題模型的相關(guān)性分析
7.4.1基于內(nèi)容分析法分析新聞數(shù)據(jù)
7.4.2新聞數(shù)據(jù)的LDA模型分析
第8章社會(huì)網(wǎng)絡(luò)
8.1社會(huì)網(wǎng)絡(luò)的介紹和統(tǒng)計(jì)
8.1.1社會(huì)網(wǎng)絡(luò)的基礎(chǔ)概念及可視化
8.1.2社會(huì)網(wǎng)絡(luò)的多種統(tǒng)計(jì)指標(biāo)
8.2社交網(wǎng)絡(luò)的數(shù)據(jù)分析
8.2.1某在線社交網(wǎng)絡(luò)分析
8.2.2貴格會(huì)的社交網(wǎng)絡(luò)分析
第9章遺傳算法
9.1遺傳算法與旅行商問(wèn)題
9.1.1旅行商問(wèn)題在遺傳算法中的定義
9.1.2遺傳算法的選擇、交叉和變異
9.2遺傳算法與波士頓房?jī)r(jià)預(yù)測(cè)
9.2.1利用經(jīng)典回歸模型預(yù)測(cè)波士頓房?jī)r(jià)
9.2.2利用遺傳算法進(jìn)行特征選擇
9.3Geatpy庫(kù)的應(yīng)用實(shí)例
9.3.1啤酒混合策略
9.3.2房間布局優(yōu)化問(wèn)題
第10章推薦算法
10.1電影數(shù)據(jù)集的協(xié)同過(guò)濾推薦
10.1.1電影數(shù)據(jù)集的介紹和可視化
10.1.2基于電影評(píng)分?jǐn)?shù)據(jù)的協(xié)同過(guò)濾推薦算法
10.1.3基于內(nèi)容數(shù)據(jù)的協(xié)同過(guò)濾推薦算法
10.2基于巡航數(shù)據(jù)的模糊控制系統(tǒng)
10.2.1智能巡航控制系統(tǒng)
10.2.2小費(fèi)決策的模糊控制系統(tǒng)