Python與人工智能編程——基礎與實驗（微課視頻版）

 

目錄

 

資源下載

 

 

 

第1部分Python編程基礎

 

 

 

實驗1集成開發環境的安裝及Jupyter Notebook的使用

 

 

1.1下載Anaconda安裝包

 

 

1.2Anaconda的安裝步驟

 

1.3Jupyter Notebook的使用教程

 

實驗作業1

 

 

 

實驗2基礎語法

 

2.1Python的語法基礎

 

2.1.1註釋

 

 2.1.2代碼縮進

 

 2.1.3代碼編碼規範 

 

2.2保留字與標識符

 

2.2.1保留字

 

 2.2.2標識符

 

2.3變量

 

2.4基本數據類型

 

2.4.1數字類型

 

 2.4.2布爾類型

 

 2.4.3字符串類型

 

 2.4.4Python字符串的格式化輸出

 

 2.4.5數據類型轉換

 

2.5運算符

 

 2.5.1算術運算符

 

 2.5.2賦值運算符

 

2.5.3比較(關系)運算符

 

 2.5.4邏輯運算符

 

 2.5.5運算符的優先級

 

2.6Python的6種基本數據結構

 

 2.6.1列表創建

 

 2.6.2列表索引、切片和遍歷

 

 2.6.3列表的函數與方法

 

2.7基本的輸入和輸出函數

 

 2.7.1使用input()函數輸入

 

 2.7.2使用print()函數輸出

 

2.8Python 模塊和包

 

2.9Python文件操作

 

實驗作業2

 

 

實驗3Python控制語句與程序調試

 

3.1控制語句

 

3.2程序調試

 

實驗作業3

 

 

實驗4函數與異常處理

 

4.1函數的創建和調用

 

 4.1.1創建函數

 

 4.1.2調用函數

 

4.2參數傳遞

 

 4.2.1形式參數和實際參數

 

 4.2.2位置參數

 

4.2.3關鍵字參數

 

 4.2.4默認參數

 

 4.2.5不定長參數

 

4.3返回值

 

4.4變量的作用域

 

 4.4.1局部變量

 

 4.4.2全局變量

 

4.5匿名函數(lambda)

 

4.6異常處理

 

 4.6.1常見異常

 

 4.6.2異常處理語法

 

實驗作業4

 

 

實驗5面向對象編程

 

5.1面向對象編程概述

 

 5.1.1對象

 

 5.1.2類

 

 5.1.3封裝、繼承和多態

 

5.2類的定義和使用

 

5.2.1定義類

 

 5.2.2創建類實例

 

 5.2.3屬性

 

 5.2.4方法

 

 5.2.5封裝

 

 5.2.6繼承

 

 5.2.7多態

 

實驗作業5

 

 

第2部分重要的第三方庫

 

 

實驗6NumPy基礎知識

 

6.1NumPy簡介和數據類型

 

6.2創建ndarray數組對象

 

6.2.1使用array()函數創建NumPy數組

 

 6.2.2使用linspace生成等間距的一維數組

 

 6.2.3使用zeros()、ones()、full()、empty()函數創建NumPy數組

 

 6.2.4使用arange()函數創建NumPy數組

 

 6.2.5使用random.rand()函數生成隨機數數組

 

 6.2.6使用asarray()函數創建NumPy數組

 

 6.2.7使用numpy.reshape()函數改變量組形狀

 

實驗作業6

 

 

實驗7NumPy常用操作

 

7.1數組元素操作

 

 7.1.1切片索引

 

 7.1.2高級索引

 

7.2廣播機制

 

7.3NumPy元素的基本操作

 

7.3.1四則運算

 

 7.3.2冪運算和開方

 

 7.3.3邏輯運算

 

 7.3.4三角函數

 

 

 7.3.5條件表達式

 

實驗作業7

 

 

實驗8Pandas基礎知識

 

8.1Pandas簡介

 

8.2Pandas數據結構

 

8.2.1一維數組Series

 

 8.2.2二維數組DataFrame

 

實驗作業8

 

 

實驗9Pandas常用操作

 

9.1Pandas數據導入

 

 9.1.1導入Excel數據

 

 9.1.2導入CSV文件

 

 9.1.3導入HTML網頁

 

9.2Pandas常用數據處理方法

 

9.2.1數據選擇

 

9.2.2數據刪減

 

9.2.3數據填充

 

9.2.4數據可視化

 

 9.2.5apply函數

 

實驗作業9

 

 

實驗10Matplotlib基礎與實驗 

 

10.1Matplotlib常見圖繪制

 

 10.1.1圖形基礎結構

 

 10.1.2繪制曲線圖及散點圖

 

 10.1.3繪制直方圖和條形圖

 

 10.1.4繪制餅圖和雷達圖

 

 10.1.5繪制3D圖形

 

 10.2Matplotlib高級應用及技巧

 

10.2.1Matplotlib的高級應用

 

10.2.2Matplotlib的優化技巧

 

實驗作業10

 

 

第3部分機器學習基礎與Scikitlearn框架

 

 

實驗11機器學習與Scikitlearn框架的基礎知識

 

11.1什麽是機器學習

 

11.2機器學習的常見分類

 

11.3Scikitlearn簡介

 

11.4Scikitlearn的常用數據集及應用

 

實驗作業11

 

 

實驗12Scikitlearn開發流程及通用模板

 

12.1Scikitlearn開發流程

 

12.2Scikitlearn開發通用模板一

 

12.3Scikitlearn開發通用模板二

 

12.4Scikitlearn開發通用模板三

 

實驗作業12

 

 

實驗13隨機森林原理及應用

 

13.1隨機森林原理

 

13.2隨機森林的優勢和不足

 

13.3隨機森林應用舉例

 

實驗作業13

 

 

實驗14SVM原理及應用

 

14.1SVM基本概念

 

14.2SVM的優勢和不足

 

實驗作業14

 

 

實驗15模型評估原理及應用

 

15.1模型評估原理與流程

 

 15.1.1模型評估原理

 

 15.1.2模型評估基本知識

 

 15.1.3評估流程

 

15.2模型評估的指標詳述

 

實驗作業15

 

 

第4部分深度學習基礎與PyTorch框架

 

 

實驗16PyTorch的開發環境配置及Tensor的基本操作

 

16.1PyTorch的開發環境配置

 

16.2Tensor的基本操作

 

 16.2.1創建Tensor

 

 16.2.2索引和切片

 

 16.2.3變形

 

 16.2.4類型轉換

 

 16.2.5數學運算

 

 16.2.6廣播

 

 16.2.7合並和堆疊

 

 16.2.8分割

 

 16.2.9其他操作

 

實驗作業16

 

 

實驗17PyTorch的開發流程與通用模板

 

17.1PyTorch的開發流程概述

 

17.2PyTorch的通用模板

 

實驗作業17

 

 

實驗18捲積神經網絡的簡介及應用

 

18.1CNN的基礎知識

 

18.2CNN的應用實例

 

實驗作業18

 

 

實驗19長短期記憶網絡的簡介及應用

 

19.1LSTM的基礎知識

 

19.2LSTM的應用實例

 

實驗作業19

 

 

實驗20深度神經網絡的簡介及應用

 

20.1DNN 的基礎知識

 

20.2DNN的應用實例

 

實驗作業20

 

 

第5部分基於大語言模型的自然語言處理編程

 

 

實驗21Hugging Face框架

 

21.1Hugging Face的基礎知識

 

21.2Hugging Face開發環境搭建

 

實驗作業21

 

 

實驗22Hugging Face管道的介紹

 

22.1Transformer中管道的基本概念

 

22.2管道的基本組成和工作流程

 

 22.2.1管道的基本組成

 

 22.2.2管道的工作流程

 

22.3管道的功能和優勢

 

22.3.1管道的功能

 

 22.3.2管道的優勢

 

22.4Pipeline任務列表

 

22.5管道使用示例

 

實驗作業22

 

 

實驗23文本分類

 

23.1文本分類簡述

 

23.2文本分類的任務

 

23.3文本分類方法

 

23.3.1基於規則的文本分類方法

 

 23.3.2基於機器學習的文本分類方法

 

 23.3.3基於深度學習的文本分類方法

 

 23.3.4基於預訓練模型的文本分類方法

 

23.4基於預訓練模型的文本分類實戰案例

 

實驗作業23

 

 

實驗24文本生成

 

24.1文本生成簡述

 

24.2文本生成的任務

 

24.3文本生成方法

 

 24.3.1基於規則的文本生成方法

 

 24.3.2基於統計的文本生成方法

 

 24.3.3基於預訓練模型的文本生成方法

 

24.4基於預訓練模型的文本生成實戰案例

 

實驗作業24

 

 

實驗25模型微調

 

25.1模型微調的定義

 

25.2微調模型的目的和意義

 

 25.2.1模型微調目標

 

 25.2.2微調模型的優點

 

25.3不同微調方法的比較與分析

 

25.4模型微調的步驟

 

25.5使用Trainer API微調模型

 

 25.5.1Trainer類概述

 

 25.5.2使用Trainer進行模型微調

 

 

25.6文本分類模型微調實戰案例

 

實驗作業25

 

 

實驗26網絡數據爬取

 

26.1網絡爬取助手XPath Helper 

 

26.2XPath語法

 

 26.2.1XPath語法應用舉例

 

 26.2.2實戰收集網絡評論數據

 

實驗作業26

 

 

參考文獻