¿Cuáles son algunos algoritmos simples en Python?
Antes que nada, gracias por la invitación.
¿Hay muchos algoritmos en Python?
La razón por la que Python es popular es por el desarrollo de la inteligencia artificial. ¡El desarrollo de la inteligencia artificial es inseparable de los algoritmos!
Siento que hay un libro que es más adecuado para ti, pero lamentablemente este libro no tiene versión electrónica, solo en papel.
Este libro proporciona una introducción paso a paso a los algoritmos desde la introducción básica hasta la implementación. Por ejemplo, cubre los algoritmos de uso común para el modelado matemático.
Capítulo 1 Del modelado matemático a la inteligencia artificial
1.1 Modelado matemático 1.1.1 Modelado matemático e inteligencia artificial 1.1.2 Problemas comunes en el modelado matemático 1.2 Matemáticas de inteligencia artificial en 1.2.1 Estadística 1.2.2 Conceptos y operaciones matriciales 1.2.3 Teoría de la probabilidad y estadística matemática 1.2.4 Matemáticas avanzadas: derivadas, diferenciales, integrales indefinidas, integrales definidas
Capítulo 2 Inicio rápido de Python
2.1 Instalación de Python 2.1.1 Pasos de instalación de Python 2.1.2 Selección de IDE 2.2 Operaciones básicas de Python 2.2.1 El primer programa pequeño 2.2.2 Comentarios y salida formateada 2.2.3 Listas y tuplas, diccionario 2.2.4 Declaraciones condicionales y declaraciones de bucle 2.2.5 romper, continuar, pasar2.3 Operaciones avanzadas de Python 2.3.1 lambda2.3.2 map2.3.3 filtro
Capítulo 3 Biblioteca de computación científica de Python NumPy
3.1 Introducción e instalación de NumPy 3.1.1 Introducción a NumPy 3.1.2 Instalación de NumPy 3.2 Operaciones básicas 3.2.1 Primera introducción a NumPy3.2.2 Tipos de matrices NumPy 3.2.3 Creación de matrices con NumPy 3.2.4 Indexación y división 3.2.5 Fusión y división de matrices 3.2.6 Operaciones con matrices y álgebra lineal 3.2.7 Mecanismo de transmisión de NumPy 3.2.8 Funciones estadísticas de NumPy 3.2.9 Clasificación y búsqueda de NumPy 3.2.10 Almacenamiento de datos de NumPy
Capítulo 4 Ciencia común, inicio rápido con el módulo de computación
4.1 Biblioteca de computación científica Pandas 4.1.1 Primera introducción a Pandas 4.1.2 Operaciones básicas de Pandas 4.2 Biblioteca de visualización Matplotlib 4.2.1 Primera introducción a Matplotlib 4.2.2 Operaciones básicas de Matplotlib 4.2.3 Caso de dibujo de Matplotlib 4.3 Biblioteca de computación científica SciPy 4.3. 1, Primera introducción a SciPy 4.3.2, Operaciones básicas de SciPy 4.3.3, Caso de procesamiento de imágenes de SciPy Capítulo 5, Python Web Crawler 5.1, Conceptos básicos del Crawler 5.1.1, Primera introducción al Crawler 5.1.2, Algoritmo de Web Crawler 5.2, Introducción with Crawler 5.2.1 Llamada a API 5.2.2 Combate práctico de rastreadores 5.3 Avance del rastreador: rastreador de alta eficiencia 5.3.1 Multiproceso 5.3.2 Multiproceso 5.3.3 Corrutina 5.3.4 Resumen
Capítulo 6 Python Data Storage
6.1 Base de datos relacional MySQL6.1.1 Primera introducción a MySQL6.1.2 Operación de MySQL6.2 con Python NoSQL MongoDB6.2.1 Primera introducción a NoSQL6.2.2 Operación de MongoDB6.3 con Python Resumen de este capítulo 6.3.1 Teoría básica de la base de datos 6.3.2 Combinación de bases de datos 6.3 3. Conclusión
Capítulo 7 Análisis de datos de Python
7.1 Adquisición de datos 7.1.1 Obtención de datos desde el teclado 7.1.2 Lectura y escritura de archivos 7.1.3 Operaciones de lectura y escritura de Pandas 7.2 Caso de análisis de datos 7.2.1 Caso de análisis estadístico de datos del censo 7.2.2 Resumen
Capítulo 8 Procesamiento del lenguaje natural
8.1 Conceptos básicos de Segmentación de palabras Jieba 8.1.1 Segmentación de palabras chinas Jieba 8.1.2 Segmentación de palabras Jieba 3 modos 8.1.3 Marcar parte del discurso y agregar palabras de definición 8.2 Extracción de palabras clave 8.2.1 Extracción de palabras clave TF-IDF 8.2.2 Extracción de palabras clave TextRank 8.3 Introducción a word2vec 8.3.1 Introducción a los principios básicos de word2vec 8.3.2 Modelo de entrenamiento de Word2vec 8.3.3 Word2ve basado en gensim
c Combate práctico
Capítulo 9 Del análisis de regresión a los conceptos básicos de los algoritmos
9.1 Introducción al análisis de regresión 9.1.1 El origen de la palabra "regresión" 9.1.2 Regresión y correlación 9.1.3 Modelo de regresión División y aplicación 9.2 Práctica de análisis de regresión lineal 9.2.1 Establecimiento y solución de regresión lineal 9.2.2 Solución Python al caso del modelo de regresión 9.2.3 Inspección, predicción y control
Capítulo 10 Agrupación a partir de K-Means Ver ajuste de parámetros del algoritmo
10.1 Descripción básica de K-Means 10.1.1 Introducción a K-Means 10.1.2 Función objetivo 10.1.3 Proceso del algoritmo 10.1.4 Análisis de las ventajas y desventajas del algoritmo 10.2 K-Means reales combat
Capítulo 11 Actualización de algoritmos desde la perspectiva de los árboles de decisión
11.1 Introducción básica a los árboles de decisión 11.2 Introducción a los algoritmos clásicos 11.2.1 Entropía de información 11.2.2 Ganancia de información 11.2.3 Información tasa de ganancia 11.2.4 Coeficiente de Gini 11.2 .5 Resumen 11.3 Uso práctico de los árboles de decisión 11.3.1 Regresión del árbol de decisión 11.3.2 Clasificación de los árboles de decisión
Capítulo 12 Visualización de la variabilidad del algoritmo desde Naive Bayes 193
12.1 Naive Bayes Introducción a Bayes 12.1.1 Comprensión de Naive Bayes 12.1.2 Proceso de trabajo de la clasificación Naive Bayes 12.1.3 Ventajas y desventajas del algoritmo Naive Bayes 12.2 Tres tipos de Naive Bayes en la práctica
No 13 Capítulo Visualización de escenarios de algoritmos de sistemas de recomendación
13.1 Introducción a los sistemas de recomendación 13.1.1 Desarrollo de sistemas de recomendación 13.1.2 Filtrado colaborativo 13.2 Recomendaciones basadas en texto 13.2.1 Casos de recomendación de etiquetas y gráficos de conocimiento 13.2.2 Resumen
Capítulo 14 Comenzando el viaje del aprendizaje profundo desde TensorFlow
14.1 Primera introducción a TensorFlow14.1.1 ¿Qué es TensorFlow14.1.2 Instalación de TensorFlow14.1.3 Conceptos y principios básicos de TensorFlow 14.2 Datos de TensorFlow estructura 14.2.1 Nivel 14.2.2 Forma 14.2.3 Tipo de datos 14.3 Doce métodos para generar datos 14.3.1 Generar tensor 14.3.2 Generar secuencia 14.3.3 Generar números aleatorios 14.4 Práctica de TensorFlow
Espero que sea útil ¡tú! ! !
La clave es la perseverancia, dominar algo tú mismo y pulirte constantemente en el trabajo. ¡Un salario alto no es un sueño! !