人工智能算法案例大全：基于Python

前言
第1章無處不在的算法
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章常見的數據特征處理
2.1常見的數據預處理和特征選擇方法
2.1.1常見的數據預處理
2.1.2常見的特征選擇方法
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數據集
2.3高新技術企業(yè)行業(yè)技術周期數據的可視化和相關性分析
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、良性腫瘤分類預測
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)別與聯系
3.3.4常用核函數
3.3.5社區(qū)和犯罪數據集的分析
第4章基于實例的算法
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手機流量套餐的KNN聚類研究
第5章樹方法
5.1決策樹
5.1.1決策樹的原理
5.1.2泰坦尼克號的末日求生
5.2隨機森林
5.2.1隨機森林的原理
5.2.2泰坦尼克號的生存分析
5.3XGBoost
5.3.1XGBoost的算法原理
5.3.2滬深300指數的波動率預測
第6章神經網絡
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深度神經網絡
6.2.1基于Ames House Price數據的XGBoost模型案例
6.2.2基于Ames House Price數據的深度神經網絡案例
6.3卷積神經網絡
6.3.1隨機森林識別mnist數據集
6.3.2卷積神經網絡識別mnist數據集
6.3.3卷積神經網絡識別帶有噪聲的mnist數據集
6.4循環(huán)神經網絡
6.4.1時間序列的可視化與特征分析
6.4.2GRU網絡結構設計
6.4.3模型訓練與預測
第7章自然語言處理
7.1常用的文本處理技巧
7.1.1文本數據展示和基本性質觀察
7.1.2多個語料庫的深入分析
7.2文本分析和挖掘
7.2.1Women's Clothing E-Commerce Reviews數據集的分析與觀察
7.2.2基于詞向量模型的分類預測
7.2.3基于詞匯的情感分析
7.3主題建模
7.3.1潛在語義分析
7.3.2sklearn庫的LDA模型
7.3.3gensim庫的LDA模型
7.4新聞的內容分析與LDA主題模型的相關性分析
7.4.1基于內容分析法分析新聞數據
7.4.2新聞數據的LDA模型分析
第8章社會網絡
8.1社會網絡的介紹和統(tǒng)計
8.1.1社會網絡的基礎概念及可視化
8.1.2社會網絡的多種統(tǒng)計指標
8.2社交網絡的數據分析
8.2.1某在線社交網絡分析
8.2.2貴格會的社交網絡分析
第9章遺傳算法
9.1遺傳算法與旅行商問題
9.1.1旅行商問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價預測
9.2.1利用經典回歸模型預測波士頓房價
9.2.2利用遺傳算法進行特征選擇
9.3Geatpy庫的應用實例
9.3.1啤酒混合策略
9.3.2房間布局優(yōu)化問題
第10章推薦算法
10.1電影數據集的協同過濾推薦
10.1.1電影數據集的介紹和可視化
10.1.2基于電影評分數據的協同過濾推薦算法
10.1.3基于內容數據的協同過濾推薦算法
10.2基于巡航數據的模糊控制系統(tǒng)
10.2.1智能巡航控制系統(tǒng)
10.2.2小費決策的模糊控制系統(tǒng)