人工智能创新实践教程全套教学课件.pptx

;实验环境搭建;;Anaconda简介;Anaconda安装步骤;Anaconda安装步骤;Anaconda安装测试;;PyCharm简介;PyCharm安装;PyCharm安装;;;包的安装;NumPy安装;Matplotlib安装;Pandas安装;;框架搭建;Pytorch安装;Pytorch安装;tensorflow安装;tensorflow安装;www.islide.cc;;;;;python简介;python中的输出函数;转义字符;;标识符与保留字;变量;数据类型;python中的注释;;python中的运算符;运算符的优先级;;程序的组织结构;对象的布尔值;分支结构;分支结构;pass空语句;;while()循环;for-in循环;break、continue语句;;列表的创建与删除;列表的查询操作;列表元素的增、删、改操作;列表元素的排序;;列表推导式;字典的创建;字典的查询操作;字典元素的增、删、改操作;字典推导式;;函数的创建和调用;函数调用的参数传递;函数的返回值;函数的参数定义;递归函数;;python中的文件对象;文件对象的访问的模式;文件方法分类;文件方法分类;文件对象的内建方法列表;文件系统的访问;www.islide.cc;;;;引言;;1模型;1模型;1模型;2学习策略;2学习策略;2学习策略;3优化准则;3优化准则;3优化准则;3优化准则;3优化准则;;1评估方法;2数据集划分方法;3性能度量;3性能度量;3性能度量;3性能度量;3性能度量;;本章小节;www.islide.cc;;K-近邻算法;;引言;;算法概述;算法概述;算法概述;算法概述;;准备数据;处理数据;处理数据集;;k-近邻实现;预测测试集并计算准确率;结果分析;预测结果;;本章小结;www.islide.cc;;决策树算法;;引言——故事导入;引言;;算法定义;算法定义;1、特征选择;1.1香农熵及计算函数;1.2信息增益;1.3信息增益率;1.4Gini系数;2.1决策树的生成;2.1决策树的生成;2、决策树的生成;3、决策树的剪枝;3、决策树的剪枝;4、决策树的存储和可视化;;1、数据集介绍;2、导入数据集;3、划分训练集和测试集;;1、计算香农熵;2、数据集最佳切分函数;3、按照给定列切分数据集;4、递归构建决策树;5、利用训练集生成决策树;6、保存决策树;7、预测测试集并计算准确率;7、预测测试集并计算准确率;8、使用sklearn中graphviz包实现决策树的绘制;8、使用sklearn中graphviz包实现决策树的绘制

;8、使用sklearn中graphviz包实现决策树的绘制;;本章小结;www.islide.cc;;朴素贝叶斯算法;;引言;;2模型概述;2模型概述;2模型概述;169;2模型概述;2模型概述;2模型概述;;3实验数据;3实验数据;3实验数据;3实验数据;3实验数据;;4算法实战;4算法实战;2结果分析;;本章小结;www.islide.cc;;Logistic回归算法;;引言;;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;算法概述;;准备数据;处理数据集;;算法构建;算法构建;定义分类函数;预测测试集并计算准确率;结果分析;预测结果;;本章小结;www.islide.cc;;决策树算法;;引言;引言;引言;引言;;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;SVM算法思想;;1准备数据;2处理数据;3数据划分;;1算法构建;1算法构建;1算法构建;1算法构建;1算法构建;2训练测试数据;3结果分析;;本章小节;www.islide.cc;;随机森林算法;;引言;引言;;1、集成学习概述;1.1bagging;1.1bagging;1.2boosting;2.1随机森林算法流程;2.1随机森林算法流程;2.2随机森林算法优缺点;2.2随机森林算法优缺点;;1.1数据集介绍;1.2数据集下载及导入;2、分析数据;2、分析数据;2、分析数据;3、处理数据;3.2特征工程;;1、创建随机森林分类器;2、创建修改参数的随机森林;3、使用随机森林模型找重要特征;4、可视化特征分数;5、在选定的特征上建立随机森林模型;;本章小结;www.islide.cc;;AdaBoost算法;;引言;;1Boos