介紹Python人工智能的生態(tài)，涉及Python基礎、網絡爬蟲、數據分析、可視化、圖像處理、自然語言處理、機器學習、深度學習以及強化學習等內容。內容包括：一部分 Python基礎；第1章 Python基礎知識；第2章 數據結構；第3章 控制語言；第4章 函數；第5章 對象；第6章 Numpy基礎；第7章 pandas基礎（數據處理、交叉矩陣、統(tǒng)計分析）；第8章 可視化(Matplotlib和Seaborn等)；第9章 網絡爬蟲（解析網頁、urllib和scrapy）；第二部分 Python圖像處理；第10章 SciPy；第11章 OpenCV；第12章 Dataset API（TensorFlow一個圖像處理API）；第三部分 自然語言處理；第13章 Python中文分詞jieba（基礎及實例）；第14章 NLTK簡介（基礎及實例）；第15章 Word2Vec簡介（基礎及實例）；第四部分 機器學習；第16章 機器學習基礎（介紹常用機器學習算法）；第17章 sklearn簡介（基礎、常用算法實現）；第18章 PySpark ML 基礎（基礎、典型算法及可視化）；第五部分 深度學習；第19章 深度學習基礎（神經網絡卷積及循環(huán)神經網絡）；第20章 TensorFlow（基礎、實現幾種深度學習算法）；第21章 keras（基礎、實現幾種深度學習算法）；第22章 Pytorch（基礎、實現幾種深度學習算法）；第六部分 強化學習；第23章 強化學習基礎（介紹常用的幾種強化學習算法及相關實例）。
吳茂貴，上海大學運籌學與控制論碩士，在BI、數據挖掘與分析、機器學習等領域有20多年的工作經驗，在Spark機器學習、TensorFlow人工智能以及神經網絡領域有大量的實踐經驗。
第1章?Python安裝配置
1.1?問題：Python能帶來哪些優(yōu)勢？
1.2?安裝Python
1.3?配置開發(fā)環(huán)境
1.4?試運行Python
1.5?后續(xù)思考
1.6?小結
第2章?變量和數據類型
2.1?問題：Python是如何定義變量的？
2.2?變量
2.3?字符串
2.4?數字與運算符
2.5?數據類型轉換
2.6?注釋
2.7?后續(xù)思考
2.8?小結
第3章?列表和元組
3.1?問題：如何存取更多數據？
3.2?列表概述
3.3?訪問列表元素的方法
3.4?對列表進行增、刪、改
3.5?統(tǒng)計分析列表
3.6?組織列表
3.7?生成列表
3.8?元組
3.9?后續(xù)思考
3.10?小結
第4章?if語句與循環(huán)語句
4.1?問題：Python中的控制語句有何特點？
4.2?if語句
4.3?循環(huán)語句
4.4?后續(xù)思考
4.5?小結
第5章?字典和集合
5.1?問題：當索引不好用時怎么辦？
5.2?一個簡單的字典實例
5.3?創(chuàng)建和維護字典
5.4?遍歷字典
5.5?集合
5.6?列表、元組、字典和集合的異同
5.7?迭代器和生成器
5.8?后續(xù)思考
5.9?小結
第6章?函數
6.1?問題：如何實現代碼共享？
6.2?創(chuàng)建和調用函數
6.3?傳遞參數
6.4?返回值
6.5?傳遞任意數量的參數
6.6?lambda函數
6.7?生成器函數
6.8?把函數放在模塊中
6.9?后續(xù)思考
6.10?小結
第7章?面向對象編程
7.1?問題：如何實現不重復造輪子？
7.2?類與實例
7.3?繼承
7.4?把類放在模塊中
7.5?標準庫
7.6?包
7.7?實例1:使用類和包
7.8?實例2：銀行ATM機系統(tǒng)
7.9?后續(xù)思考
7.10?小結
第8章?文件與異常
8.1?問題：Python如何獲取文件數據？
8.2?基本的文件操作
8.3?目錄操作
8.4?異常處理
8.5?后續(xù)思考
8.6?小結
第9章?NumPy基礎
9.1?問題：為什么說NumPy是打開人工智能的一把鑰匙？
9.2?生成NumPy數組
9.3?獲取元素
9.4?NumPy的算術運算
9.5?數組變形
9.6?通用函數
9.7?廣播機制
9.8?后續(xù)思考
9.9?小結
第10章?Pandas基礎
10.1?問題：Pandas有哪些優(yōu)勢？
10.2?Pandas數據結構
10.3?Series
10.4?DataFrame
10.5?后續(xù)思考
10.6?小結
第11章?數據可視化
11.1?問題：為何選擇Matplotlib？
11.2?可視化工具Matplotlib
11.3?繪制多個子圖
11.4?Seaborn簡介
11.5?圖像處理與顯示
11.6?Pyecharts簡介
11.7?實例：詞云圖
11.8?后續(xù)思考
11.9?小結
第12章?機器學習基礎
12.1?問題：機器學習如何學習？
12.2?機器學習常用算法
12.3?機器學習的一般流程
12.4?機器學習常用技巧
12.5?實例1：機器學習是如何學習的？
12.6?實例2：用Scikit-Learn實現電信客戶流失預測
12.7?后續(xù)思考
12.8?小結
第13章?神經網絡
13.1?問題：神經網絡能代替?zhèn)鹘y(tǒng)機器學習嗎？
13.2?單層神經網絡
13.3?多層神經網絡
13.4?輸出層
13.5?損失函數
13.6?正向傳播
13.7?誤差反向傳播
13.8?實例：用Python實現手寫數字的識別
13.9?后續(xù)思考
13.10?小結
第14章?用PyTorch實現神經網絡
14.1?為何選擇PyTorch？
14.2?安裝配置
14.3?Tensor簡介
14.4?autograd機制
14.5?構建神經網絡的常用工具
14.6?數據處理工具
14.7?實例1：用PyTorch實現手寫數字識別
14.8?實例2：用PyTorch解決回歸問題
14.9?小結
第15章?卷積神經網絡
15.1?問題：傳統(tǒng)神經網絡有哪些不足？
15.2?卷積神經網絡
15.3?實例：用PyTorch完成圖像識別任務
15.4?后續(xù)思考
15.5?小結
第16章?提升模型性能的幾種技巧
16.1?問題：為什么有些模型嘗試了很多方法仍然效果不佳？
16.2?找到合適的學習率
16.3?正則化
16.4?合理的初始化
16.5?選擇合適的優(yōu)化器
16.6?GPU加速
16.7?后續(xù)思考
16.8?小結
第17章?Keras入門
17.1?問題：為何選擇Keras架構？
17.2?Keras簡介
17.3?Keras常用概念
17.4?Keras常用層
17.5?神經網絡核心組件
17.6?Keras的開發(fā)流程
17.7?實例：Keras程序的開發(fā)流程
17.8?后續(xù)思考
17.9?小結
第18章?用Keras實現圖像識別
18.1?實例1：用自定義模型識別手寫數字
18.2?實例2：用預訓練模型識別圖像
18.3?后續(xù)思考
18.4?小結
第19章?用Keras實現遷移學習
19.1?問題：如何發(fā)揮小數據的潛力？
19.2?遷移學習簡介
19.3?遷移學習常用方法
19.4?實例：用Keras實現遷移學習
19.5?后續(xù)思考
19.6?小結
第20章?用Keras實現風格遷移
20.1?問題：如何捕捉圖像風格？
20.2?通道與風格
20.3?內容損失與風格損失
20.4?格拉姆矩陣簡介
20.5?實例：用Kreras實現風格遷移
20.6?后續(xù)思考
20.7?小結
張全偉 （2021/4/7 15:58:00）：這本書真的很好，講的內容豐富，細節(jié)到位，希望能得
到吳老師的聯系方式，有些問題我想不通
書單推薦
