第一部分Python开发实战

第一章 开发环境选择与比较

1.1 PyCharm介绍

1.2 Jupyter Notebook介绍

1.3 Sublime Text介绍

1.4 Visual Studio Code介绍

第二章Anaconda使用介绍

2.1 Anaconda介绍

2.2使用conda管理Python虚拟环境

第三章 开发规范与方法

3.1 PEP 8规范

3.2 Git介绍和使用

3.3敏捷思想与方法

第四章 单元测试与代码覆盖率

4.1测试驱动开发

4.2单元测试的概念和原则

4.3单元测试实例

第二部分Python编程技巧

第五章 列表生成式

5.1使用列表生成式代替循环语句

5.2列表生成式的概念

5.3字典和集合的生成式

5.4列表生成式实际例子

5.5速度比拼

第六章Collections库

6.1 namedtuple

6.2 deque

6.3 defaultdict

6.4 OrderedDict

6.5 Counter

第七章 迭代器

7.1可迭代对象Iterable

7.2迭代器Iterator

7.3Itertools模块

第八章 Python多线程与多进程浅析

8.1多线程引言

8.2线程

8.3 Python是解释性语言

8.4 Python线程切换机制

8.5 Python线程安全

8.6 Python多线程StepbyStep

8.7多进程方式

8.8基于I/O的多线程

8.9小结

第九章 Python程序性能分析初步

9.1编程语言和性能

9.2 Node.js和V8编译引擎

9.3为web服务而生的Go语言

9.4服务端性能指标

9.5用装饰器记录执行时间

9.6函数执行时间分析和cProfile

9.7分析每一行代码的执行时间

9.8内存占用分析

9.9图示化分析多线程的执行时间

9.10 CPU等性能测试

第三部分Python机器学习基础

第十章 机器学习基础

10.1什么是机器学习

10.2机器学习的五大流派

10.3 6种类型的机器学习算法

10.4机器学习项目基本流程

10.5机器学习语言

第十一章 主要算法概览

第十二章K近邻算法

12.1K近邻算法概述

12.2距离度量

12.3算法过程

12.4 KNN算法3个要素

12.5算法的优缺点

12.6示例Demo：使用K近邻分类

12.7小结

12.8扩展阅读

第十三章 主成分分析

13.1降维技术

13.2主成分分析概述

13.3算法过程

13.4算法的优缺点

13.5示例Demo：利用PCA进行图像压缩

13.6小结

13.7扩展阅读

第十四章 逻辑回归

14.1逻辑回归算法概述

14.2 Sigmoid函数、可能性比率与逻辑回归公式

14.3算法过程

14.4算法的优缺点

14.5示例Demo：使用逻辑回归进行二分类

14.6小结

14.7扩展阅读

第十五章 朴素贝叶斯分类器

15.1贝叶斯定理概述

15.2朴素贝叶斯分类器

15.3拉普拉斯修正与数值型特征的处理

15.4算法的优缺点

15.5示例Demo：使用朴素贝叶斯进行二分类

15.6小结

15.7扩展阅读

第十六章 决策树算法

16.1决策树算法概述

16.2 CART算法与基尼指数

16.3算法过程

16.4算法的优缺点

16.5示例Demo：使用CART分类

16.6小结

16.7扩展阅读

第十七章 支持向量机

17.1支持向量机概述

17.2从简单的二分类说起

17.3算法过程

17.4使用核函数解决线性不可分问题

17.5算法的优缺点

17.6示例Demo：使用支持向量机分类图片

17.7小结

17.8扩展阅读

第十八章 K -Means聚类

18.1聚类分析简介

18.2聚类算法的类型

18.3样本相似性的度量

18.4 K-Means聚类

18.5算法过程

18.6算法的优缺点

18.7示例Demo：使用K-Mean s聚类分析

18.8小结

18.9扩展阅读

第十九章 人工神经网络

19.1神经网络概述

19.2神经网络关键概念

19.3单层感知器和多层感知器

19.4算法过程

19.5算法的优缺点

19.6小结

19.7扩展阅读

19.8示例Demo：卷积神经网络识别手写数字图片

第二十章 如何选择合适的算法

20.1根据业务目标

20.2根据数据特点

20.3其他考虑因素

第二十一章Python机器学习工具

21.1NumPy

21.2 Pandas

21.3 Scikit-Learn

21.4 TensorFlow

21.5 Keras

21.6 PyTorch

第四部分Python机器学习实例

第二十二章 基于RFM的P2 P用户聚类模型

22.1背景与目标

22.2算法简介

22.3实现过程

22.4 实施与结果

22.5小结

第二十三章 文本的主题分类

23.1背景与目标

23.2算法简介

23.3实现过程

23.4小结

第二十四章 利用机器翻译实现自然语言查询

24.1背景与目标

24.2流程简介

24.3 TensorFlow框架下实现Seq2 Seq建模

24.4小结

第二十五章 身份证汉字和数字识别

25.1背景与目标

25.2身份证OCR识别流程

25.3文本行定位

25.4字符切割

25.5字符识别

25.6小结

第二十六章 人脸识别

26.1背景与目标

26.2基本概念

26.3人脸识别系统简介

26.4算法实现

26.5模型准确性评估

26.6 CentoS7下GPU的安装配置

26.7小结

索引