項(xiàng)目1　用餐數(shù)據(jù)異常分析 1
任務(wù)1 用餐數(shù)據(jù)集成與處理 5
1.1.1 數(shù)據(jù)集成 9
1.1.2 數(shù)據(jù)映射 9
1.1.3 數(shù)據(jù)類型轉(zhuǎn)換 10
任務(wù)2 用餐數(shù)據(jù)重復(fù)值檢測(cè)與處理 10
1.2.1 檢測(cè)重復(fù)值duplicated() 12
1.2.2 刪除重復(fù)值drop_duplicates() 12
任務(wù)3 用餐數(shù)據(jù)缺失值檢測(cè)與處理 12
1.3.1 檢測(cè)缺失值isna() 15
1.3.2 處理缺失值fillna() 15
任務(wù)4 用餐數(shù)據(jù)異常值檢測(cè)與處理 15
1.4.1 檢測(cè)異常值 20
1.4.2 繪制散點(diǎn)圖scatter() 21
1.4.3 繪制直方圖hist() 22
1.4.4 繪制箱形圖boxplot() 23
1.4.5 處理異常值 24
拓展實(shí)訓(xùn)：電影數(shù)據(jù)加工與處理 25
項(xiàng)目考核 26
項(xiàng)目2　碳排放數(shù)據(jù)分析 30
任務(wù)1 對(duì)碳排放數(shù)據(jù)進(jìn)行分組分析 34
2.1.1 讀取Excel文件數(shù)據(jù) 38
2.1.2 分組分析基本概念 39
2.1.3 描述性統(tǒng)計(jì)分析指標(biāo) 40
任務(wù)2 對(duì)碳排放數(shù)據(jù)進(jìn)行分布分析 40
2.2.1 分布分析基本概念 44
2.2.2 數(shù)據(jù)分箱cut() 44
2.2.3 可視化包Seaborn 45
任務(wù)3 對(duì)碳排放數(shù)據(jù)進(jìn)行交叉分析 45
2.3.1 交叉分析基本概念 47
2.3.2 數(shù)據(jù)透視表pivot_table() 48
2.3.3 交叉表crosstab() 48
2.3.4 熱力圖heatmap() 48
任務(wù)4 對(duì)碳排放數(shù)據(jù)進(jìn)行結(jié)構(gòu)分析 49
2.4.1 結(jié)構(gòu)分析基本概念 53
2.4.2 繪制餅圖plot() 53
任務(wù)5 對(duì)碳排放數(shù)據(jù)進(jìn)行相關(guān)分析 53
2.5.1 相關(guān)分析基本概念 56
2.5.2 相關(guān)分析corr() 56
拓展實(shí)訓(xùn)：數(shù)據(jù)分析方法應(yīng)用 57
應(yīng)用拓展（1）：電影數(shù)據(jù)復(fù)雜分析 57
應(yīng)用拓展（2）：用餐數(shù)據(jù)復(fù)雜分析 58
項(xiàng)目考核 59
項(xiàng)目3　電影數(shù)據(jù)回歸分析 61
任務(wù)1 使用一元線性回歸分析方法對(duì)日均票房進(jìn)行預(yù)測(cè) 66
3.1.1 一元線性回歸 66
3.1.2 異常值的發(fā)現(xiàn)與處理 69
3.1.3 歸一化處理 69
3.1.4 數(shù)據(jù)集的切分 73
任務(wù)2 使用多項(xiàng)式回歸分析方法對(duì)日均票房進(jìn)行預(yù)測(cè) 76
3.2.1 多項(xiàng)式回歸 76
3.2.2 degree參數(shù)的設(shè)置 79
任務(wù)3 使用多元線性回歸分析方法對(duì)電影評(píng)分進(jìn)行預(yù)測(cè) 81
3.3.1 多元線性回歸 81
3.3.2 標(biāo)簽映射 84
拓展實(shí)訓(xùn)：回歸分析應(yīng)用 85
應(yīng)用拓展：薪資數(shù)據(jù)相關(guān)性分析 85
進(jìn)階拓展：電影數(shù)據(jù)回歸分析 87
項(xiàng)目考核 87
項(xiàng)目4　性別與肥胖程度分類分析 92
任務(wù)1 使用邏輯回歸實(shí)現(xiàn)性別判定 97
4.1.1 邏輯回歸 101
4.1.2 Sklearn中的LogisticRegression() 102
4.1.3 數(shù)組與向量的操作 102
任務(wù)2 使用樸素貝葉斯實(shí)現(xiàn)性別判定 103
4.2.1 樸素貝葉斯的原理 105
4.2.2 Sklearn中樸素貝葉斯的實(shí)現(xiàn) 106
4.2.3 Sklearn中的GaussianNB() 107
4.2.4 Sklearn中的MultinomialNB() 107
任務(wù)3 使用決策樹實(shí)現(xiàn)性別判定 107
4.3.1 決策樹的原理 110
4.3.2 Sklearn中的DecisionTreeClassifier()分類器 111
4.3.3 分類模型常用評(píng)估指標(biāo) 111
4.3.4 Sklearn中的模型評(píng)估方法 112
4.3.5 欠擬合與過擬合 112
任務(wù)4 使用支持向量機(jī)實(shí)現(xiàn)性別判定 113
4.4.1 支持向量機(jī)的原理 116
4.4.2 Sklearn中支持向量機(jī)的實(shí)現(xiàn) 116
4.4.3 Sklearn中的SVC()分類器 116
任務(wù)5 使用支持向量機(jī)實(shí)現(xiàn)肥胖程度分類 117
4.5.1 核函數(shù)的基本概念 120
4.5.2 多項(xiàng)式核函數(shù)的使用 121
拓展實(shí)訓(xùn)：肥胖程度分類分析 122
應(yīng)用拓展（1）：利用身高、體重、性別數(shù)據(jù)實(shí)現(xiàn)肥胖程度判定 122
應(yīng)用拓展（2）：利用BMI實(shí)現(xiàn)肥胖程度分類 123
項(xiàng)目考核 123
項(xiàng)目5　鳶尾花分類分析 126
任務(wù)1 使用k近鄰實(shí)現(xiàn)鳶尾花的分類 130
5.1.1 k近鄰的基本原理 134
5.1.2 Sklearn中的KNeighborsClassifier()分類器 134
任務(wù)2 使用隨機(jī)森林實(shí)現(xiàn)鳶尾花的分類 134
5.2.1 集成學(xué)習(xí)方法 136
5.2.2 隨機(jī)森林 136
5.2.3 Sklearn中的RandomForestClassifier()分類器 137
任務(wù)3 使用Tensorflow設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)鳶尾花的分類 137
5.3.1 人工神經(jīng)網(wǎng)絡(luò) 141
5.3.2 認(rèn)識(shí)TensorFlow 142
5.3.3 神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化 143
任務(wù)4 使用多層感知機(jī)實(shí)現(xiàn)鳶尾花的分類 144
5.4.1 神經(jīng)網(wǎng)絡(luò)的基本原理 146
5.4.2 多層感知機(jī) 146
5.4.3 Sklearn中的MLPClassifier()分類器 146
拓展實(shí)訓(xùn)：回歸與分類應(yīng)用 147
應(yīng)用拓展（1）：設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)花瓣寬度 148
應(yīng)用拓展（2）：利用身高、體重、性別數(shù)據(jù)實(shí)現(xiàn)肥胖程度分類 149
項(xiàng)目考核 150
項(xiàng)目6　觀影用戶聚類分析 154
任務(wù)1 使用DBSCAN確定聚類的質(zhì)心個(gè)數(shù) 158
6.1.1 DBSCAN的優(yōu)缺點(diǎn) 162
6.1.2 Sklearn中的DBSCAN() 163
任務(wù)2 使用k-Means對(duì)觀影用戶進(jìn)行聚類 164
6.2.1 k-Means的基本概念 167
6.2.2 k-Means的特點(diǎn) 168
6.2.3 Sklearn中的KMeans() 168
拓展實(shí)訓(xùn)：根據(jù)身高、體重和性別對(duì)用戶進(jìn)行聚類 169
項(xiàng)目考核 170
項(xiàng)目7　超市零售數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘 173
任務(wù)1 對(duì)超市零售數(shù)據(jù)做預(yù)處理 177
任務(wù)2 使用Apriori算法實(shí)現(xiàn)超市零售數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘 178
7.2.1 購物籃分析 182
7.2.2 頻繁項(xiàng)集 182
7.2.3 關(guān)聯(lián)規(guī)則 183
7.2.4 Apriori算法 184
7.2.5 強(qiáng)關(guān)聯(lián)規(guī)則 185
任務(wù)3 調(diào)用apyori庫實(shí)現(xiàn)超市零售數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘 187
7.3.1 apyori庫 188
7.3.2 Apriori算法的優(yōu)缺點(diǎn) 189
拓展實(shí)訓(xùn)：論文作者關(guān)聯(lián)規(guī)則挖掘 189
項(xiàng)目考核 191
項(xiàng)目8　人體行為識(shí)別應(yīng)用 195
任務(wù)1 使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別人體行為 202
8.1.1 Keras環(huán)境準(zhǔn)備 206
8.1.2 行為數(shù)據(jù)的獲取與解析 206
8.1.3 行為數(shù)據(jù)的特征分析 207
8.1.4 Keras中的Conv1D()卷積層 208
8.1.5 Keras中的AveragePooling1D()池化層 209
任務(wù)2 使用循環(huán)神經(jīng)網(wǎng)絡(luò)識(shí)別人體行為 209
8.2.1 長(zhǎng)短期記憶網(wǎng)絡(luò) 212
8.2.2 Keras中的LSTM()層 212
拓展實(shí)訓(xùn)：電影評(píng)論數(shù)據(jù)分析應(yīng)用 213
項(xiàng)目考核 215
項(xiàng)目9　生成式人工智能應(yīng)用 216
任務(wù)1 使用文心一言自動(dòng)生成文本內(nèi)容 220
9.1.1 自然語言處理 224
9.1.2 大語言模型 224
9.1.3 ChatGPT 225
9.1.4 變換器 226
9.1.5 文心一言 227
任務(wù)2 使用AI創(chuàng)意工坊自動(dòng)生成圖像 228
9.2.1 AI繪畫及其應(yīng)用 231
9.2.2 AI繪畫平臺(tái) 231
9.2.3 擴(kuò)散模型 232
9.2.4 生成對(duì)抗網(wǎng)絡(luò) 233
任務(wù)3 使用GitHub Copilot進(jìn)行編程 234
9.3.1 代碼智能 238
9.3.2 OpenAI Codex 239
9.3.3 代碼智能的發(fā)展前景 239
拓展實(shí)訓(xùn)：調(diào)用大模型實(shí)現(xiàn)聊天機(jī)器應(yīng)用 240
項(xiàng)目考核 244
項(xiàng)目10　智能產(chǎn)線應(yīng)用 247
任務(wù)1 數(shù)據(jù)采集環(huán)境搭建 251
10.1.1 工業(yè)相機(jī)重要參數(shù) 254
10.1.2 工業(yè)互聯(lián)網(wǎng)云端控制系統(tǒng)的安裝與測(cè)試 255
任務(wù)2 工件圖像數(shù)據(jù)采集與增強(qiáng) 260
10.2.1 智能制造行業(yè)數(shù)據(jù)采集 264
10.2.2 智能產(chǎn)線基本概念 265
10.2.3 機(jī)器視覺基本概念 265
10.2.4 計(jì)算機(jī)視覺基本概念 266
10.2.5 圖像增廣技術(shù) 270
任務(wù)3 工件圖像智能分類分析 270
任務(wù)4 誤差自動(dòng)補(bǔ)償數(shù)據(jù)分析 274
10.4.1 誤差補(bǔ)償技術(shù) 277
10.4.2 均方誤差損失函數(shù) 277
任務(wù)5 聯(lián)調(diào)與自動(dòng)化生產(chǎn)驗(yàn)證 278
拓展實(shí)訓(xùn)：復(fù)雜工件分揀與調(diào)參應(yīng)用 280
項(xiàng)目考核 281
附錄A　本書使用的工具包 283
參考文獻(xiàn) 284