本書創新性地從數學建模競賽入手，深入淺出地講解了人工智慧領域的相關知識。本書內容基於Python 3.6，從人工智慧領域的數學出發，到Python在人工智慧場景下的關鍵模塊；從網路爬蟲到數據存儲，再到數據分析；從機器學習到深度學習，涉及自然語言處理、機器學習、深度學習、推薦系統和知識圖譜等。此外，本書還提供了近140個代碼案例和大量圖表，全面系統地闡述了演算法特性，個別案例演算法來自於工作經驗總結，力求幫助讀者學以致用。


黃海濤（筆名零壹），演算法工程師，網易雲課堂「零壹課堂」主創人，CSDN博客專家，2018年度博客之星。曾先後參與開發多款人工智慧產品，具有豐富項目經驗；精通數學建模，曾多次獲得競賽獎項。

第1章 從數學建模到人工智慧1
1.1　數學建模　1
1.1.1　數學建模與人工智慧　1
1.1.2　數學建模中的常見問題　4
1.2　人工智慧下的數學　12
1.2.1　統計量　12
1.2.2　矩陣概念及運算　13
1.2.3　概率論與數理統計　16
1.2.4　高等數學——導數、微分、不定積分、定積分　19

第2章 Python快速入門　24
2.1　安裝Python　24
2.1.1　Python安裝步驟　24
2.1.2　IDE的選擇　27
2.2　Python基本操作　28
2.2.1　第一個小程式　28
2.2.2　注釋與格式化輸出　28
2.2.3　清單、元組、字典　34
2.2.4　條件陳述式與迴圈語句　37
2.2.5　break、continue、pass　40
2.3　Python高級操作　41
2.3.1　lambda　41
2.3.2　map　42
2.3.3　filter　43

第3章 Python科學計算庫NumPy　45
3.1　NumPy簡介與安裝　45
3.1.1　NumPy簡介　45
3.1.2　NumPy安裝　45
3.2　基本操作　46
3.2.1　初識NumPy　46
3.2.2　NumPy陣列類型　47
3.2.3　NumPy創建陣列　49
3.2.4　索引與切片　56
3.2.5　矩陣合併與分割　60
3.2.6　矩陣運算與線性代數　62
3.2.7　NumPy的廣播機制　69
3.2.8　NumPy統計函數　71
3.2.9　NumPy排序、搜索　75
3.2.10　NumPy資料的保存　79

第4章 常用科學計算模組快速入門　80
4.1　Pandas科學計算庫　80
4.1.1　初識Pandas　80
4.1.2　Pandas基本操作　82
4.2　Matplotlib視覺化圖庫　94
4.2.1　初識Matplotlib　94
4.2.2　Matplotlib基本操作　96
4.2.3　Matplotlib繪圖案例　98
4.3　SciPy科學計算庫　100
4.3.1　初識SciPy　100
4.3.2　SciPy基本操作　101
4.3.3　SciPy影像處理案例　103

第5章 Python網路爬蟲　106
5.1　爬蟲基礎　106
5.1.1　初識爬蟲　106
5.1.2　網路爬蟲的演算法　107
5.2　爬蟲入門實戰　107
5.2.1　調用API　107
5.2.2　爬蟲實戰　112
5.3　爬蟲進階—高效率爬蟲　113
5.3.1　多進程　113
5.3.2　多執行緒　114
5.3.3　協程　115
5.3.4　小結　116

第6章 Python資料存儲　117
6.1　關係型數據庫MySQL　117
6.1.1　初識MySQL　117
6.1.2　Python操作MySQL　118
6.2　NoSQL之MongoDB　120
6.2.1　初識NoSQL　120
6.2.2　Python操作MongoDB　121
6.3　本章小結　123
6.3.1　資料庫基本理論　123
6.3.2　資料庫結合　124
6.3.3　結束語　125

第7章 Python資料分析　126
7.1　資料獲取　126
7.1.1　從鍵盤獲取資料　126
7.1.2　文件的讀取與寫入　127
7.1.3　Pandas讀寫操作　129
7.2　資料分析案例　130
7.2.1　普查資料統計分析案例　130
7.2.2　小結　139

第8章 自然語言處理　140
8.1　Jieba分詞基礎　140
8.1.1　Jieba中文分詞　140
8.1.2　Jieba分詞的3種模式　141
8.1.3　標注詞性與添加定義詞　142
8.2　關鍵字提取　144
8.2.1　TF-IDF關鍵字提取　145
8.2.2　TextRank關鍵字提取　147
8.3　word2vec介紹　150
8.3.1　word2vec基礎原理簡介　150
8.3.2　word2vec訓練模型　153
8.3.3　基於gensim的word2vec實戰　154

第9章 從回歸分析到演算法基礎　160
9.1　回歸分析簡介　160
9.1.1　“回歸”一詞的來源　160
9.1.2　回歸與相關　161
9.1.3　回歸模型的劃分與應用　161
9.2　線性回歸分析實戰　162
9.2.1　線性回歸的建立與求解　162
9.2.2　Python求解回歸模型案例　164
9.2.3　檢驗、預測與控制　166

第10章 從K-Means聚類看演算法調參　171
10.1　K-Means基本概述　171
10.1.1　K-Means簡介　171
10.1.2　目標函數　171
10.1.3　演算法流程　172
10.1.4　演算法優缺點分析　174
10.2　K-Means實戰　174

第11章 從決策樹看演算法升級　180
11.1　決策樹基本簡介　180
11.2　經典演算法介紹　181
11.2.1　信息熵　181
11.2.2　信息增益　182
11.2.3　信息增益率184
11.2.4　基尼係數　185
11.2.5　小結　185
11.3　決策樹實戰　186
11.3.1　決策樹回歸　186
11.3.2　決策樹的分類　188

第12章 從樸素貝葉斯看演算法多變　193
12.1　樸素貝葉斯簡介　193
12.1.1　認識樸素貝葉斯　193
12.1.2　樸素貝葉斯分類的工作過程　194
12.1.3　樸素貝葉斯演算法的優缺點　195
12.2　3種樸素貝葉斯實戰　195

第13章 從推薦系統看演算法場景　200
13.1　推薦系統簡介　200
13.1.1　推薦系統的發展　200
13.1.2　協同過濾　201
13.2　基於文本的推薦　208
13.2.1　標籤與知識圖譜推薦案例　209
13.2.2　小結　217

第14章 從TensorFlow開啟深度學習之旅　218
14.1　初識TensorFlow　218
14.1.1　什麼是TensorFlow　218
14.1.2　安裝TensorFlow　219
14.1.3　TensorFlow基本概念與原理　219
14.2　TensorFlow資料結構　221
14.2.1　階　221
14.2.2　形狀　221
14.2.3　資料類型　221
14.3　生成資料十二法　222
14.3.1　生成Tensor　222
14.3.2　生成序列　224
14.3.3　生成亂數　225
14.4　TensorFlow實戰　225

參考文獻　230