前言

第1章 Python語言基礎(chǔ)
1.1 Python簡介
1.2 Python開發(fā)環(huán)境
1.2.1 PyCharm的下載和安裝
1.2.2 PyCharm的使用
1.2.3 樹莓派Python IDLE的使用
1.3 Python基本語法
1.3.1 保留字和標(biāo)識符
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 運算符
1.3.5 函數(shù)
1.3.6 with語句
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 類和對象
1.7.3 面向?qū)ο蟪绦蛟O(shè)計方法
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)庫及Web框架
2.1 操作數(shù)據(jù)庫
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開發(fā)環(huán)境Spyder
3.4 深度學(xué)習(xí)的一些常備庫
3.4.1 NumPy—基礎(chǔ)科學(xué)計算庫
3.4.2 SciPy—科學(xué)計算工具集
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 進度條庫
3.5 機器學(xué)習(xí)通用庫Sklearn
3.5.1 Sklearn的安裝
3.5.2 Sklearn的數(shù)據(jù)集
3.5.3 Sklearn的機器學(xué)習(xí)方式
3.6 機器學(xué)習(xí)深度庫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 機器學(xué)習(xí)深度庫Keras
3.7.1 Keras的安裝
3.7.2 Keras的深度學(xué)習(xí)方式
3.8 自然語言處理
3.8.1 NLTK
3.8.2 SpaCy
3.8.3 Gensim
3.9 視覺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 計算機視覺
4.3.2 語音識別
4.3.3 自然語言處理
4.3.4 人機博弈
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 長短期記憶網(wǎng)絡(luò)（LSTM）
4.6.3 循環(huán)神經(jīng)網(wǎng)絡(luò)改進
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 生成對抗網(wǎng)絡(luò)（GAN）
4.8.1 生成對抗網(wǎng)絡(luò)原理
4.8.2 生成對抗網(wǎng)絡(luò)架構(gòu)
4.8.3 生成對抗網(wǎng)絡(luò)應(yīng)用
4.8.4 生成對抗網(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 爬蟲框架
5.1.1 Crawley爬蟲框架
5.1.2 Scrapy爬蟲框架
5.1.3 PySpider爬蟲框架
5.1.4 Beautiful Soup爬蟲框架
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 實例—爬取招聘網(wǎng)站職位信息
5.2.5 實例—爬取網(wǎng)站指定的圖片集合
5.2.6 實例—爬取二手車市場數(shù)據(jù)
5.3 數(shù)據(jù)清洗
5.3.1 數(shù)據(jù)清洗庫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 實例—清洗CSV文件
5.3.6 噪聲數(shù)據(jù)處理
5.3.7 實例—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)計分析
5.4.2 Matplotlib繪圖
5.4.3 Bokeh繪圖
5.4.4 Pyecharts繪圖
5.5 實例—爬取并保存圖片
5.6 本章小結(jié)

第6章 圖像識別分類
6.1 圖像識別分類簡介
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
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識別
6.3.1 實例—人眼識別
6.3.2 實例—兩張相似圖片識別
6.3.3 實例—性別識別
6.4 VGGNet花朵識別
6.4.1 VGGNet介紹
6.4.2 花朵數(shù)據(jù)庫
6.4.3 實例—花朵識別
6.5 車牌識別
6.5.1 利用OpenCV實現(xiàn)車牌識別
6.5.2 實例—EasyPR車牌識別
6.6 Inception圖像分類處理
6.6.1 Inception模型簡介
6.6.2 實例—花朵和動物識別
6.6.3 實例—自定義圖像分類
6.7 本章小結(jié)

第7章 自然語言處理
7.1 自然語言處理的典型工具
7.1.1 NLTK
7.1.2 TextBlob
7.1.3 Gensim
7.1.4 Polyglot
7.2 Jieba實現(xiàn)關(guān)鍵詞抽取
7.2.1 Jieba實現(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 實例—新聞分類
7.6 語法分析和語義分析
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語義分析
7.7 實例—小說文學(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
8.3.1 Bosonnlp情感平臺
8.3.2 CASIA漢語情感語料庫
8.3.3 Pickle讀取存儲的情感詞典數(shù)據(jù)
8.4 基于LSTM的情感分析
8.5 基于SnowNLP的新聞評論數(shù)據(jù)分析
8.6 Dlib實現(xiàn)人臉顏值預(yù)測
8.7 實例—表情識別
8.8 本章小結(jié)

第9章 機器翻譯
9.1 機器翻譯簡介
9.2 Encoder-Decoder模型
9.3 TensorFlow機器翻譯
9.4 看圖說話5
9.4.1 實例—Google的im2txt模型實現(xiàn)看圖說話
9.4.2 實例—Show-Attend-And-Tell實現(xiàn)看圖說話
9.5 PaddlePaddle機器翻譯
9.6 本章小結(jié)

第10章 目標(biāo)檢測
10.1 目標(biāo)檢測的過程
10.2 典型的目標(biāo)檢測算法
10.3 Faster R-CNN模型目標(biāo)檢測
10.3.1 Faster R-CNN模型簡介
10.3.2 實例—Faster R-CNN實現(xiàn)目標(biāo)檢測
10.4 YOLO模型目標(biāo)檢測
10.4.1 YOLO模型簡介
10.4.2 實例—靜態(tài)目標(biāo)檢測和動態(tài)目標(biāo)檢測
10.5 SSD模型目標(biāo)檢測
10.5.1 SSD模型簡介
10.5.2 實例—SSD實現(xiàn)目標(biāo)檢測
10.6 本章小結(jié)

第11章 語音處理
11.1 語音處理概述
11.2 語音識別過程
11.2.1 聲學(xué)模型
11.2.2 語言模型
11.2.3 語音數(shù)據(jù)集
11.3 語音識別實例
11.4 樹莓派語音應(yīng)用
11.4.1 文字轉(zhuǎn)語音
11.4.2 語音轉(zhuǎn)文字
11.4.3 實例—天氣預(yù)報
11.4.4 智能對話圖靈機
11.4.5 實例—聊天機器人
11.5 本章小結(jié)