科技 类型
可以朗读 语音朗读
120千字 字数
2024-03-01 发行日期
展开全部

主编推荐语

本书面向初学者介绍智能计算的相关概念、典型应用。

内容简介

本书采用研究性学习方法和P-MASE模型，按照引入问题、寻找方法、问题分析、问题求解、效果评价的模式，讲授智能计算编程、数据获取和预处理、数据可视化、预测数据的值、分类问题、聚类分析、神经网络、智能图像识别、时间序列数据的处理等知识，并给出了两个综合案例。

目录

  • 版权信息
  • 前言
  • 第1章 智能计算概述
  • 1.1 人工智能与智能计算
  • 1.1.1 人工智能
  • 1.1.2 智能计算时代与学科融合
  • 1.1.3 “新医科”与智能计算
  • 1.1.4 智能计算时代的其他典型应用
  • 1.2 培养“新医科”学生的素养
  • 1.2.1 “新医科”学生的基本素养
  • 1.2.2 科学、技术与工程
  • 1.2.3 科研方法与工程方法
  • 1.2.4 智能计算素养
  • 1.3 研究性学习方法与P-MASE模型
  • 1.3.1 研究性学习与学习方法
  • 1.3.2 P-MASE模型
  • 参考文献
  • 第2章 智能计算编程基础
  • 2.1 引入问题
  • 2.1.1 问题描述
  • 2.1.2 问题归纳
  • 2.2 寻找方法
  • 2.2.1 Python编程环境
  • 2.2.2 Python编程基础
  • 2.2.3 Python的内置模块和第三方工具包
  • 2.3 问题分析
  • 2.4 问题求解
  • 2.5 效果评价
  • 参考文献
  • 第3章 数据获取和预处理
  • 3.1 引入问题
  • 3.1.1 问题描述
  • 3.1.2 问题归纳
  • 3.2 寻找方法
  • 3.2.1 数据的类别
  • 3.2.2 数据采集方法
  • 3.2.3 数据预处理
  • 3.2.4 数据变换
  • 3.3 问题分析
  • 3.4 问题求解
  • 3.4.1 利用爬虫代码进行数据采集
  • 3.4.2 利用数据采集工具进行数据采集
  • 3.5 效果评价
  • 参考文献
  • 第4章 数据可视化
  • 4.1 引入问题
  • 4.1.1 问题描述
  • 4.1.2 问题归纳
  • 4.2 寻找方法
  • 4.2.1 数据的统计特征和可视特征
  • 4.2.2 数据可视化的基本要素
  • 4.2.3 数据可视化工具
  • 4.2.4 数据可视化方法
  • 4.3 问题分析
  • 4.4 问题求解
  • 4.5 效果评价
  • 参考文献
  • 第5章 预测数据的值
  • 5.1 引入问题
  • 5.1.1 问题描述
  • 5.1.2 问题归纳
  • 5.2 寻找方法
  • 5.2.1 回归分析的基本原理
  • 5.2.2 线性回归
  • 5.2.3 常用的回归模型评估方法
  • 5.2.4 使用Python实现线性回归
  • 5.2.5 多项式回归
  • 5.3 问题分析
  • 5.4 问题求解
  • 5.4.1 加载数据
  • 5.4.2 分析数据特征及预处理
  • 5.4.3 建立线性回归预测模型
  • 5.5 效果评价
  • 参考文献
  • 第6章 判断对象属于哪一类
  • 6.1 引入问题
  • 6.1.1 问题描述
  • 6.1.2 问题归纳
  • 6.2 寻找方法
  • 6.2.1 分类问题及常用算法
  • 6.2.2 利用Python求解分类问题
  • 6.3 问题分析
  • 6.4 问题求解
  • 6.4.1 确定问题特征
  • 6.4.2 数据采集与预处理
  • 6.4.3 选择分类模型
  • 6.4.4 预测新样本
  • 6.5 效果评价
  • 参考文献
  • 第7章 将对象划分为不同的类别
  • 7.1 引入问题
  • 7.1.1 问题描述
  • 7.1.2 问题归纳
  • 7.2 寻找方法
  • 7.2.1 聚类问题概述
  • 7.2.2 k-means算法简介
  • 7.2.3 k-means聚类算法的实现
  • 7.2.4 k-means算法中类簇数量k的选取
  • 7.2.5 调用工具包实现k-means聚类
  • 7.3 问题分析
  • 7.4 问题求解
  • 7.4.1 二维数据聚类
  • 7.4.2 三维数据聚类
  • 7.5 效果评价
  • 参考文献
  • 第8章 让计算机像人脑一样思考
  • 8.1 引入问题
  • 8.1.1 问题描述
  • 8.1.2 问题归纳
  • 8.2 寻找方法
  • 8.2.1 生物神经网络
  • 8.2.2 人工神经网络
  • 8.2.3 BP人工神经网络
  • 8.2.4 Python中的人工神经网络
  • 8.3 问题分析
  • 8.4 问题求解
  • 8.4.1 确定问题特征
  • 8.4.2 收集特征数据及数据预处理
  • 8.4.3 神经网络分类预测模型
  • 8.5 效果评价
  • 参考文献
  • 第9章 如何让计算机看懂图像
  • 9.1 引入问题
  • 9.1.1 问题描述
  • 9.1.2 问题归纳
  • 9.2 寻找方法
  • 9.2.1 生物医学图像分类的基本实现方法
  • 9.2.2 深度学习基础
  • 9.2.3 卷积神经网络的原理
  • 9.2.4 几种典型的深度卷积神经网络模型
  • 9.2.5 Python中的图像分类
  • 9.3 问题分析
  • 9.4 问题求解
  • 9.4.1 确定生物识别采用的技术方案
  • 9.4.2 训练数据集的获取
  • 9.4.3 对图像数据进行预处理
  • 9.4.4 构建VGGNet-16神经网络模型
  • 9.4.5 使用训练好的神经网络模型对图像文件进行分类
  • 9.5 效果评价
  • 参考文献
  • 第10章 处理时间序列数据
  • 10.1 引入问题
  • 10.1.1 问题描述
  • 10.1.2 问题归纳
  • 10.2 寻找方法
  • 10.2.1 时间序列预测
  • 10.2.2 循环神经网络
  • 10.3 问题分析
  • 10.3.1 匈牙利每周水痘病例数据集
  • 10.3.2 数据处理方法
  • 10.4 问题求解
  • 10.4.1 数据读取
  • 10.4.2 数据预处理
  • 10.4.3 构建模型
  • 10.4.4 训练模型
  • 10.5 效果评价
  • 参考文献
  • 第11章 淋巴造影分类预测综合案例
  • 11.1 引入问题
  • 11.1.1 问题描述
  • 11.1.2 数据描述
  • 11.2 寻找方法
  • 11.2.1 数据预处理方法
  • 11.2.2 分类预测方法
  • 11.3 问题分析
  • 11.3.1 加载数据集
  • 11.3.2 查看数据分布
  • 11.3.3 分析属性与标签结果的相关性
  • 11.4 问题求解
  • 11.4.1 数据预处理
  • 11.4.2 建立神经网络模型
  • 11.5 效果评价
  • 参考文献
  • 第12章 胸部CT影像检测综合案例
  • 12.1 引入问题
  • 12.1.1 问题描述
  • 12.1.2 数据描述
  • 12.2 寻找方法
  • 12.2.1 VGGNet-16
  • 12.2.2 ResNet神经网络
  • 12.3 问题分析
  • 12.4 问题求解
  • 12.4.1 加载数据集并预处理图像
  • 12.4.2 建立VGGNet-16模型
  • 12.4.3 训练VGGNet-16模型
  • 12.4.4 模型评价
  • 12.5 效果评价
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。