前言

第1章 Python語(yǔ)言基礎(chǔ)
1.1 Python簡(jiǎn)介
1.2 Python開(kāi)發(fā)環(huán)境
1.2.1 PyCharm的下載和安裝
1.2.2 PyCharm的使用
1.2.3 樹(shù)莓派Python IDLE的使用
1.3 Python基本語(yǔ)法
1.3.1 保留字和標(biāo)識(shí)符
1.3.2 變量和數(shù)據(jù)類型
1.3.3 基本控制結(jié)構(gòu)
1.3.4 運(yùn)算符
1.3.5 函數(shù)
1.3.6 with語(yǔ)句
1.3.7 字符串操作
1.3.8 異常處理
1.4 Python序列
1.4.1 列表
1.4.2 元組
1.4.3 字典
1.4.4 集合
1.4.5 列表、元組、字典和集合的區(qū)別
1.5 Python操作文件
1.5.1 操作文本文件
1.5.2 操作目錄
1.5.3 操作Excel文件
1.5.4 操作CSV文件
1.6 Python模塊
1.6.1 模塊分類
1.6.2 自定義模塊
1.6.3 第三方模塊的安裝
1.7 Python類
1.7.1 面向?qū)ο蟾攀?br>1.7.2 類和對(duì)象
1.7.3 面向?qū)ο蟪绦蛟O(shè)計(jì)方法
1.7.4 類的定義和使用
1.7.5 多線程
1.8 本章小結(jié)

第2章 Python操作數(shù)據(jù)庫(kù)及Web框架
2.1 操作數(shù)據(jù)庫(kù)
2.1.1 操作SQLite
2.1.2 操作MySQL
2.2 Web框架
2.2.1 主流Web框架
2.2.2 Django框架
2.2.3 Flask框架
2.3 本章小結(jié)

第3章 Python深度學(xué)習(xí)環(huán)境
3.1 Anaconda介紹
3.2 Anaconda環(huán)境搭建
3.3 Anaconda使用方法
3.3.1 管理工具Navigator
3.3.2 Anaconda的Python開(kāi)發(fā)環(huán)境Spyder
3.4 深度學(xué)習(xí)的一些常備庫(kù)
3.4.1 NumPy—基礎(chǔ)科學(xué)計(jì)算庫(kù)
3.4.2 SciPy—科學(xué)計(jì)算工具集
3.4.3 Pandas—數(shù)據(jù)分析的利器
3.4.4 Matplotlib—畫出優(yōu)美的圖形
3.4.5 Tqdm—Python 進(jìn)度條庫(kù)
3.5 機(jī)器學(xué)習(xí)通用庫(kù)Sklearn
3.5.1 Sklearn的安裝
3.5.2 Sklearn的數(shù)據(jù)集
3.5.3 Sklearn的機(jī)器學(xué)習(xí)方式
3.6 機(jī)器學(xué)習(xí)深度庫(kù)TensorFlow
3.6.1 TensorFlow的安裝
3.6.2 TensorFlow的深度學(xué)習(xí)方式
3.6.3 TensorLayer
3.6.4 可視化工具TensorBoard
3.7 機(jī)器學(xué)習(xí)深度庫(kù)Keras
3.7.1 Keras的安裝
3.7.2 Keras的深度學(xué)習(xí)方式
3.8 自然語(yǔ)言處理
3.8.1 NLTK
3.8.2 SpaCy
3.8.3 Gensim
3.9 視覺(jué)OpenCV
3.9.1 OpenCV的安裝
3.9.2 OpenCV的使用
3.10 其他深度學(xué)習(xí)框架
3.10.1 PyTorch
3.10.2 TFLearn
3.10.3 Chainer
3.10.4 Theano
3.11 本章小結(jié)

第4章 深度學(xué)習(xí)典型結(jié)構(gòu)
4.1 人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的關(guān)系
4.2 深度學(xué)習(xí)的發(fā)展歷程
4.3 深度學(xué)習(xí)的應(yīng)用
4.3.1 計(jì)算機(jī)視覺(jué)
4.3.2 語(yǔ)音識(shí)別
4.3.3 自然語(yǔ)言處理
4.3.4 人機(jī)博弈
4.4 神經(jīng)網(wǎng)絡(luò)
4.4.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
4.4.2 神經(jīng)網(wǎng)絡(luò)的算法
4.4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
4.4.4 神經(jīng)網(wǎng)絡(luò)的參數(shù)
4.4.5 深度學(xué)習(xí)與深層神經(jīng)網(wǎng)絡(luò)
4.5 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
4.5.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.5.2 經(jīng)典卷積網(wǎng)絡(luò)模型
4.5.3 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用
4.6 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
4.6.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.6.2 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）
4.6.3 循環(huán)神經(jīng)網(wǎng)絡(luò)改進(jìn)
4.6.4 循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用
4.7 遞歸神經(jīng)網(wǎng)絡(luò)（RNN）
4.7.1 遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.7.2 遞歸神經(jīng)網(wǎng)絡(luò)應(yīng)用
4.8 生成對(duì)抗網(wǎng)絡(luò)（GAN）
4.8.1 生成對(duì)抗網(wǎng)絡(luò)原理
4.8.2 生成對(duì)抗網(wǎng)絡(luò)架構(gòu)
4.8.3 生成對(duì)抗網(wǎng)絡(luò)應(yīng)用
4.8.4 生成對(duì)抗網(wǎng)絡(luò)變種
4.9 本章小結(jié)

第5章 深度學(xué)習(xí)數(shù)據(jù)準(zhǔn)備—數(shù)據(jù)爬取和清洗
5.1 爬蟲(chóng)框架
5.1.1 Crawley爬蟲(chóng)框架
5.1.2 Scrapy爬蟲(chóng)框架
5.1.3 PySpider爬蟲(chóng)框架
5.1.4 Beautiful Soup爬蟲(chóng)框架
5.2 數(shù)據(jù)爬取
5.2.1 Urllib3爬取
5.2.2 Requests爬取
5.2.3 Scrapy框架爬取
5.2.4 實(shí)例—爬取招聘網(wǎng)站職位信息
5.2.5 實(shí)例—爬取網(wǎng)站指定的圖片集合
5.2.6 實(shí)例—爬取二手車市場(chǎng)數(shù)據(jù)
5.3 數(shù)據(jù)清洗
5.3.1 數(shù)據(jù)清洗庫(kù)Pandas
5.3.2 缺失值處理
5.3.3 去重處理
5.3.4 異常值處理
5.3.5 實(shí)例—清洗CSV文件
5.3.6 噪聲數(shù)據(jù)處理
5.3.7 實(shí)例—天氣數(shù)據(jù)分析與處理
5.4 數(shù)據(jù)顯示
5.4.1 Pandas統(tǒng)計(jì)分析
5.4.2 Matplotlib繪圖
5.4.3 Bokeh繪圖
5.4.4 Pyecharts繪圖
5.5 實(shí)例—爬取并保存圖片
5.6 本章小結(jié)

第6章 圖像識(shí)別分類
6.1 圖像識(shí)別分類簡(jiǎn)介
6.2 經(jīng)典圖片數(shù)據(jù)集
6.2.1 MNIST數(shù)據(jù)集
6.2.2 CIFAR-10數(shù)據(jù)集
6.2.3 ImageNet數(shù)據(jù)集
6.2.4 LFW人臉數(shù)據(jù)庫(kù)
6.2.5 Flowers-17數(shù)據(jù)集
6.2.6 Pascal VOC數(shù)據(jù)集
6.2.7 MS COCO 數(shù)據(jù)集
6.3 OpenCV識(shí)別
6.3.1 實(shí)例—人眼識(shí)別
6.3.2 實(shí)例—兩張相似圖片識(shí)別
6.3.3 實(shí)例—性別識(shí)別
6.4 VGGNet花朵識(shí)別
6.4.1 VGGNet介紹
6.4.2 花朵數(shù)據(jù)庫(kù)
6.4.3 實(shí)例—花朵識(shí)別
6.5 車牌識(shí)別
6.5.1 利用OpenCV實(shí)現(xiàn)車牌識(shí)別
6.5.2 實(shí)例—EasyPR車牌識(shí)別
6.6 Inception圖像分類處理
6.6.1 Inception模型簡(jiǎn)介
6.6.2 實(shí)例—花朵和動(dòng)物識(shí)別
6.6.3 實(shí)例—自定義圖像分類
6.7 本章小結(jié)

第7章 自然語(yǔ)言處理
7.1 自然語(yǔ)言處理的典型工具
7.1.1 NLTK
7.1.2 TextBlob
7.1.3 Gensim
7.1.4 Polyglot
7.2 Jieba實(shí)現(xiàn)關(guān)鍵詞抽取
7.2.1 Jieba實(shí)現(xiàn)詞性標(biāo)注
7.2.2 基于TF-IDF算法的關(guān)鍵詞抽取
7.2.3 基于TextRank算法的關(guān)鍵詞抽取
7.3 Gensim查找相似詞
7.3.1 Gensim的使用
7.3.2 實(shí)例—Gensim查找相似詞
7.4 TextBlob
7.4.1 詞性標(biāo)注
7.4.2 情感分析
7.4.3 分句提取
7.4.4 中文情感分析
7.5 CountVectorizer與TfidfVectorize
7.5.1 CountVectorizer文本特征提取
7.5.2 TfidfVectorizer文本特征提取
7.5.3 實(shí)例—新聞分類
7.6 語(yǔ)法分析和語(yǔ)義分析
7.6.1 SpaCy介紹及安裝
7.6.2 SpaCy流水線和屬性
7.6.3 Bosonnlp介紹及安裝
7.6.4 Bosonnlp語(yǔ)義分析
7.7 實(shí)例—小說(shuō)文學(xué)數(shù)據(jù)挖掘
7.8 本章小結(jié)

第8章 情感分析
8.1 情感分析簡(jiǎn)介
8.1.1 詞集、詞袋、TF-IDF和詞匯表
8.1.2 深度學(xué)習(xí)的情感分析
8.2 情感分析過(guò)程
8.2.1 獲取情感數(shù)據(jù)
8.2.2 將單詞轉(zhuǎn)換為特征向量
8.2.3 TF-IDF計(jì)算單詞關(guān)聯(lián)度
8.2.4 構(gòu)建模型
8.2.5 情感分析
8.3 典型情感數(shù)據(jù)庫(kù)
8.3.1 Bosonnlp情感平臺(tái)
8.3.2 CASIA漢語(yǔ)情感語(yǔ)料庫(kù)
8.3.3 Pickle讀取存儲(chǔ)的情感詞典數(shù)據(jù)
8.4 基于LSTM的情感分析
8.5 基于SnowNLP的新聞評(píng)論數(shù)據(jù)分析
8.6 Dlib實(shí)現(xiàn)人臉顏值預(yù)測(cè)
8.7 實(shí)例—表情識(shí)別
8.8 本章小結(jié)

第9章 機(jī)器翻譯
9.1 機(jī)器翻譯簡(jiǎn)介
9.2 Encoder-Decoder模型
9.3 TensorFlow機(jī)器翻譯
9.4 看圖說(shuō)話5
9.4.1 實(shí)例—Google的im2txt模型實(shí)現(xiàn)看圖說(shuō)話
9.4.2 實(shí)例—Show-Attend-And-Tell實(shí)現(xiàn)看圖說(shuō)話
9.5 PaddlePaddle機(jī)器翻譯
9.6 本章小結(jié)

第10章 目標(biāo)檢測(cè)
10.1 目標(biāo)檢測(cè)的過(guò)程
10.2 典型的目標(biāo)檢測(cè)算法
10.3 Faster R-CNN模型目標(biāo)檢測(cè)
10.3.1 Faster R-CNN模型簡(jiǎn)介
10.3.2 實(shí)例—Faster R-CNN實(shí)現(xiàn)目標(biāo)檢測(cè)
10.4 YOLO模型目標(biāo)檢測(cè)
10.4.1 YOLO模型簡(jiǎn)介
10.4.2 實(shí)例—靜態(tài)目標(biāo)檢測(cè)和動(dòng)態(tài)目標(biāo)檢測(cè)
10.5 SSD模型目標(biāo)檢測(cè)
10.5.1 SSD模型簡(jiǎn)介
10.5.2 實(shí)例—SSD實(shí)現(xiàn)目標(biāo)檢測(cè)
10.6 本章小結(jié)

第11章 語(yǔ)音處理
11.1 語(yǔ)音處理概述
11.2 語(yǔ)音識(shí)別過(guò)程
11.2.1 聲學(xué)模型
11.2.2 語(yǔ)言模型
11.2.3 語(yǔ)音數(shù)據(jù)集
11.3 語(yǔ)音識(shí)別實(shí)例
11.4 樹(shù)莓派語(yǔ)音應(yīng)用
11.4.1 文字轉(zhuǎn)語(yǔ)音
11.4.2 語(yǔ)音轉(zhuǎn)文字
11.4.3 實(shí)例—天氣預(yù)報(bào)
11.4.4 智能對(duì)話圖靈機(jī)
11.4.5 實(shí)例—聊天機(jī)器人
11.5 本章小結(jié)