ailearning/SUMMARY.md

• 入门须知
• 数据分析
  • 01. Python 工具
    • Python 简介
    • Ipython 解释器
    • Ipython notebook
    • 使用 Anaconda
  • 02. Python 基础
    • Python 入门演示
    • Python 数据类型
    • 数字
    • 字符串
    • 索引和分片
    • 列表
    • 可变和不可变类型
    • 元组
    • 列表与元组的速度比较
    • 字典
    • 集合
    • 不可变集合
    • Python 赋值机制
    • 判断语句
    • 循环
    • 列表推导式
    • 函数
    • 模块和包
    • 异常
    • 警告
    • 文件读写
  • 03. Numpy
    • Numpy 简介
    • Matplotlib 基础
    • Numpy 数组及其索引
    • 数组类型
    • 数组方法
    • 数组排序
    • 数组形状
    • 对角线
    • 数组与字符串的转换
    • 数组属性方法总结
    • 生成数组的函数
    • 矩阵
    • 一般函数
    • 向量化函数
    • 二元运算
    • ufunc 对象
    • choose 函数实现条件筛选
    • 数组广播机制
    • 数组读写
    • 结构化数组
    • 记录数组
    • 内存映射
    • 从 Matlab 到 Numpy
  • 04. Scipy
    • SCIentific PYthon 简介
    • 插值
    • 概率统计方法
    • 曲线拟合
    • 最小化函数
    • 积分
    • 解微分方程
    • 稀疏矩阵
    • 线性代数
    • 稀疏矩阵的线性代数
  • 05. Python 进阶
    • sys 模块简介
    • 与操作系统进行交互：os 模块
    • CSV 文件和 csv 模块
    • 正则表达式和 re 模块
    • datetime 模块
    • SQL 数据库
    • 对象关系映射
    • 函数进阶：参数传递，高阶函数，lambda 匿名函数，global 变量，递归
    • 迭代器
    • 生成器
    • with 语句和上下文管理器
    • 修饰符
    • 修饰符的使用
    • operator, functools, itertools, toolz, fn, funcy 模块
    • 作用域
    • 动态编译
  • 06. Matplotlib
    • Pyplot 教程
    • 使用 style 来配置 pyplot 风格
    • 处理文本（基础）
    • 处理文本（数学表达式）
    • 图像基础
    • 注释
    • 标签
    • figures, subplots, axes 和 ticks 对象
    • 不要迷信默认设置
    • 各种绘图实例
  • 07. 使用其他语言进行扩展
    • 简介
    • Python 扩展模块
    • Cython：Cython 基础，将源代码转换成扩展模块
    • Cython：Cython 语法，调用其他C库
    • Cython：class 和 cdef class，使用 C++
    • Cython：Typed memoryviews
    • 生成编译注释
    • ctypes
  • 08. 面向对象编程
    • 简介
    • 使用 OOP 对森林火灾建模
    • 什么是对象？
    • 定义 class
    • 特殊方法
    • 属性
    • 森林火灾模拟
    • 继承
    • super() 函数
    • 重定义森林火灾模拟
    • 接口
    • 共有，私有和特殊方法和属性
    • 多重继承
  • 09. Theano 基础
    • Theano 简介及其安装
    • Theano 基础
    • Theano 在 Windows 上的配置
    • Theano 符号图结构
    • Theano 配置和编译模式
    • Theano 条件语句
    • Theano 循环：scan（详解）
    • Theano 实例：线性回归
    • Theano 实例：Logistic 回归
    • Theano 实例：Softmax 回归
    • Theano 实例：人工神经网络
    • Theano 随机数流变量
    • Theano 实例：更复杂的网络
    • Theano 实例：卷积神经网络
    • Theano tensor 模块：基础
    • Theano tensor 模块：索引
    • Theano tensor 模块：操作符和逐元素操作
    • Theano tensor 模块：nnet 子模块
    • Theano tensor 模块：conv 子模块
  • 10. 有趣的第三方模块
    • 使用 basemap 画地图
    • 使用 cartopy 画地图
    • 探索 NBA 数据
    • 金庸的武侠世界
  • 11. 有用的工具
    • pprint 模块：打印 Python 对象
    • pickle, cPickle 模块：序列化 Python 对象
    • json 模块：处理 JSON 数据
    • glob 模块：文件模式匹配
    • shutil 模块：高级文件操作
    • gzip, zipfile, tarfile 模块：处理压缩文件
    • logging 模块：记录日志
    • string 模块：字符串处理
    • collections 模块：更多数据结构
    • requests 模块：HTTP for Human
  • 12. Pandas
    • 十分钟上手 Pandas
    • 一维数据结构：Series
    • 二维数据结构：DataFrame
• 机器学习
  • 第1章_基础知识
  • 第2章_K近邻算法
  • 第3章_决策树算法
  • 第4章_朴素贝叶斯
  • 第5章_逻辑回归
  • 第6章_支持向量机
  • 第7章_集成方法
  • 第8章_回归
  • 第9章_树回归
  • 第10章_KMeans聚类
  • 第11章_Apriori算法
  • 第12章_FP-growth算法
  • 第13章_PCA降维
  • 第14章_SVD简化数据
  • 第15章_大数据与MapReduce
  • 第16章_推荐系统
  • 为何录制教学版视频
  • 2017-04-08_第一期的总结
• PyTorch
  • PyTorch 简介
    • 1.1 – Why PyTorch?
    • 1.2 – 安装 PyTorch
  • PyTorch 神经网络基础
    • 2.1 – Torch vs Numpy
    • 2.2 – 变量 (Variable)
    • 2.3 – 激励函数 (Activation)
  • 建造第一个神经网络
    • 3.1 – 关系拟合 (回归 Regression)
    • 3.2 – 区分类型 (分类 Classification)
    • 3.3 – 快速搭建回归神经网络
    • 3.4 – 保存和恢复模型
    • 3.5 – 数据读取 (Data Loader)
    • 3.6 – 优化器 (Optimizer)
  • 高级神经网络结构
    • 4.1 – CNN 卷积神经网络
    • 4.2 – RNN 循环神经网络 (分类 Classification)
    • 4.3 – RNN 循环神经网络 (回归 Regression)
    • 4.4 – AutoEncoder (自编码/非监督学习)
    • 4.5 – DQN 强化学习 (Reinforcement Learning)
    • 4.6 – GAN (Generative Adversarial Nets 生成对抗网络)
  • 高阶内容
    • 5.1 – 为什么 Torch 是动态的
    • 5.2 – GPU 加速运算
    • 5.3 – Dropout 防止过拟合
    • 5.4 – Batch Normalization 批标准化
• 深度学习入门
  • 反向传递
  • CNN原理
  • RNN原理
  • LSTM原理
• 自然语言处理
  • 前言
  • 1 语言处理与 Python
  • 2 获得文本语料和词汇资源
  • 3 处理原始文本
  • 4 编写结构化程序
  • 5 分类和标注词汇
  • 6 学习分类文本
  • 7 从文本提取信息
  • 8 分析句子结构
  • 9 构建基于特征的语法
  • 10 分析句子的意思
  • 11 语言学数据管理
  • 后记：语言的挑战
  • 索引
• TensorFlow 2.x
  • 初学者的 TensorFlow 2.0 教程
  • 针对专业人员的 TensorFlow 2.0 入门
  • 初级
    • Keras 机器学习基础知识
      • 基本分类：对服装图像进行分类
      • 电影评论文本分类
      • 使用 Keras 和 Tensorflow Hub 对电影评论进行文本分类
      • Basic regression: Predict fuel efficiency
      • Overfit and underfit
      • 保存和恢复模型
      • Introduction to the Keras Tuner
    • 加载和预处理数据
      • 用 tf.data 加载图片
      • 使用 tf.data 加载文本数据
      • 用 tf.data 加载 CSV 数据
      • 使用 tf.data 加载 NumPy 数据
      • 使用 tf.data 加载 pandas dataframes
      • Unicode 字符串
      • TF.Text
      • TFRecord 和 tf.Example
    • Estimator
      • 预创建的 Estimators
      • Build a linear model with Estimators
      • 在 Tensorflow 中训练提升树（Boosted Trees）模型
      • 梯度提升树（Gradient Boosted Trees）：模型理解
      • 通过 Keras 模型创建 Estimator
  • 高级
    • 自定义
      • Customization basics: tensors and operations
      • Custom layers
      • 自定义训练: 演示
    • 分布式训练
      • Keras 的分布式训练
      • 使用 tf.distribute.Strategy 进行自定义训练
      • 利用 Keras 来训练多工作器（worker）
      • 利用 Estimator 进行多工作器训练
      • 使用分布策略保存和加载模型
      • Distributed Input
    • 图像
      • 卷积神经网络（Convolutional Neural Network, CNN）
      • Image classification
      • Transfer learning and fine-tuning
      • Transfer learning with TensorFlow Hub
      • Data augmentation
      • 图像分割
    • 文本
      • 单词嵌入向量
      • 使用 RNN 进行文本分类
      • 循环神经网络（RNN）文本生成
      • 基于注意力的神经机器翻译
      • Image captioning with visual attention
      • 理解语言的 Transformer 模型
      • Fine-tuning a BERT model
    • 结构化数据
      • 对结构化数据进行分类
      • Classification on imbalanced data
      • Time series forecasting
    • 生成
      • 神经风格迁移
      • DeepDream
      • 深度卷积生成对抗网络
      • Pix2Pix
      • CycleGAN
      • Adversarial example using FGSM
      • Intro to Autoencoders
      • 卷积变分自编码器
    • 可解释性
      • Integrated gradients
    • 强化学习
      • Playing CartPole with the Actor-Critic Method