智能计算技术与应用

封面

版权页

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——聚类分析

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