人工智能應(yīng)用基礎(chǔ)（Python版）

第1章 距離的應(yīng)用-k近鄰算法
1．1 相似就是“距離”相近
1．2 數(shù)據(jù)處理：歸一化
1．3人工智能應(yīng)用的要素
1．4 編程
1．5 代碼詳解
1．6 本章小結(jié)
1．7 本章練習(xí)
第2章 由條件做判斷——樸素貝葉斯
2．1 計算事物發(fā)生的可能性
2．2 根據(jù)消費記錄洞察新需求
2．3 算法的改進
2．4 訓(xùn)練集、測試集對結(jié)果的影響以及算法評價
2．5 利用程序解決問題
2．6 本章小結(jié)
2．7 本章練習(xí)
第3章 決策的竅門——決策樹
3．1 如何決策最有效率
3．2 利用“決策樹”開發(fā)一個人工智能的信用卡審批系統(tǒng)
3．3 處理數(shù)據(jù)的瑕疵以及特征工程
3．4 編程完成決策樹的項目應(yīng)用
3．5 本章小結(jié)
3．6 本章練習(xí)
第4章 楚河漢界的劃分——支持向量機
4．1 劃分邊界的一般規(guī)律
4．2 找出考試的通關(guān)秘笈
4．3 用核函數(shù)處理非線性可分的數(shù)據(jù)
4．4 數(shù)據(jù)可視化
4．5 支持向量機的項目應(yīng)用
4．6 本章小結(jié)
4．7 本章練習(xí)
第5章 亦步亦趨的刻畫——線性回歸
5．1 線性回歸的實例：連鎖店消暑飲料的送貨量
5．2 求解模型
5．3 表達擬合結(jié)果和趨勢
5．4 模型可用性的度量
5．5 線性回歸的擴展
5．6 本章小結(jié)
5．7 本章練習(xí)
第6章 明察秋毫的發(fā)現(xiàn)與總結(jié)——聚類方法
6．1 利用K均值算法聚類
6．2 利用K均值算法進行櫻花耐旱性聚類
6．3 利用降維簡化數(shù)據(jù)
6．4 本章小結(jié)
6．5 本章練習(xí)
第7章 披沙瀝金的選擇——神經(jīng)網(wǎng)絡(luò)
7．1 累計觸發(fā)：神經(jīng)網(wǎng)絡(luò)概述
7．2 神經(jīng)網(wǎng)絡(luò)體驗：辨認魚的種類
7．3 隱藏層和梯度下降
……
第8章 至關(guān)重要的少數(shù)——用卷積網(wǎng)絡(luò)識別圖像和語言
第9章 能吸取經(jīng)驗的機器——用強化學(xué)習(xí)完成智能化
附錄