目录__eol____eol__第一部分 Python编程__eol__第1章 Python基础 3__eol__1.1 Python简介及开发环境搭建 3__eol__1.1.1 Python的安装 3__eol__1.1.2 集成开发环境 4__eol__1.2 Python变量标识符和关键字 7__eol__1.2.1 变量定义 7__eol__1.2.2 变量的类型 8__eol__1.2.3 变量的命名 11__eol__1.3 Python运算符 13__eol__1.3.1 算术运算符 13__eol__1.3.2 比较（关系）运算符 13__eol__1.3.3 逻辑运算符 14__eol__1.3.4 赋值运算符 14__eol__1.3.5 运算符的优先级 14__eol__1.4 Python分支与循环 15__eol__1.4.1 条件语句 15__eol__1.4.2 循环语句 17__eol__1.4.3 随机数的处理 21__eol__1.5 Python函数 22__eol__1.5.1 函数定义 23__eol__1.5.2 函数的参数 24__eol__1.5.3 函数的返回值 25__eol__1.5.4 函数作用域 26__eol__1.5.5 匿名函数 27__eol__1.5.6 内置函数 28__eol__1.5.7 函数式编程 31__eol__1.5.8 将函数存储在模块中 33__eol__1.5.9 函数文档字符串 35__eol__第2章 Python面向对象 36__eol__2.1 面向对象基本特征 36__eol__2.2 类的定义 37__eol__2.2.1 定义只包含方法的类 37__eol__2.2.2 面向对象程序举例 37__eol__2.3 self参数 37__eol__2.3.1 给对象设置属性 38__eol__2.3.2 理解self参数到底是什么 38__eol__2.4 __init__方法 38__eol__2.5 __str__方法 39__eol__2.6 面向过程和面向对象 40__eol__2.7 私有属性——封装 43__eol__2.8 将实例用作属性-对象组合 43__eol__2.9 类属性、类方法、静态方法 46__eol__2.10 继承 49__eol__2.11 __new__方法 52__eol__2.12 所有Python类型的父类 53__eol__2.13 单例模式 54__eol__2.14 参数注解 54__eol__第3章 Python高级编程 56__eol__3.1 Python闭包和装饰器 56__eol__3.1.1 闭包 56__eol__3.1.2 装饰器 57__eol__3.1.3 被装饰的函数有返回值 60__eol__3.1.4 装饰器带参数 61__eol__3.1.5 多个装饰器装饰同一个函数 62__eol__3.1.6 基于类实现的装饰器 63__eol__3.2 Python可迭代对象、迭代器及生成器 64__eol__3.2.1 可迭代对象 65__eol__3.2.2 迭代器 68__eol__3.2.3 生成器 71__eol__3.3 Python内置方法 78__eol__3.3.1 构造和初始化 78__eol__3.3.2 属性访问控制 79__eol__3.3.3 描述符 79__eol__3.3.4 构造自定义容器（Container） 83__eol__3.3.5 上下文管理器 84__eol__3.3.6 比较运算 87__eol__3.3.7 __str__和__repr__方法 89__eol__3.3.8 内置方法之__call__ 92__eol__第二部分 机器学习__eol__第4章 机器学习概述 95__eol__4.1 机器学习分类 95__eol__4.2 常用的机器学习算法 96__eol__4.3 机器学习的步骤 97__eol__4.3.1 问题定义 97__eol__4.3.2 数据采集 98__eol__4.3.3 数据准备 98__eol__4.3.4 数据分割 99__eol__4.3.5 算法的选择与训练 99__eol__4.3.6 算法的使用 100__eol__第5章 机器学习?经典算法 110__eol__5.1 主成分分析 110__eol__5.1.1 主成分分析简介 110__eol__5.1.2 使用梯度上升法实现主成分分析 113__eol__5.1.3 选取数据的前k个主成分 117__eol__5.1.4 高维数据向低维数据映射 120__eol__5.1.5 使用主成分分析对数据进行降维可视化 125__eol__5.2 K-Means算法 128__eol__5.2.1 K-Means算法原理 129__eol__5.2.2 K-Means程序实例 131__eol__5.2.3 MiniBatch算法 133__eol__5.2.4 K-Means 算法分析 134__eol__5.3 KNN算法 138__eol__5.3.1 KNN算法的原理 138__eol__5.3.2 KNN算法程序实例 138__eol__5.4 梯度下降法 140__eol__5.4.1 一维梯度下降法 140__eol__5.4.2 多维梯度下降法 141__eol__第6章 机器学习?回归算法 144__eol__6.1 线性回归 144__eol__6.1.1 线性回归简介 144__eol__6.1.2 简单线性回归的最小二乘法推导过程 145__eol__6.1.3 衡量线性回归的指标 150__eol__6.1.4 多元线性回归简介 157__eol__6.2 多项式回归 161__eol__6.2.1 多项式回归的概念 161__eol__6.2.2 scikit-learn中的多项式回归和Pipeline 165__eol__6.2.3 过拟合和欠拟合 166__eol__6.2.4 训练数据和测试数据 170__eol__6.2.5 学习曲线 172__eol__6.2.6 交叉验证 175__eol__6.2.7 模型正则化 179__eol__6.2.8 岭回归和 LASSO 回归 179__eol__第三部分 神经网络__eol__第7章 从感知机到神经网络 189__eol__7.1 感知机 189__eol__7.1.1 简单逻辑电路 190__eol__7.1.2 感知机的实现 191__eol__7.1.3 感知机的局限性 193__eol__7.1.4 多层感知机 195__eol__7.2 神经网络 197__eol__7.2.1 神经网络举例 197__eol__7.2.2 感知机知识回顾 197__eol__7.2.3 激活函数初探 198__eol__7.3 激活函数 199__eol__7.3.1 阶跃函数 199__eol__7.3.2 Sigmoid函数 199__eol__7.3.3 阶跃函数的实现 200__eol__7.3.4 Sigmoid函数的实现 201__eol__7.3.5 比较Sigmoid函数和阶跃函数 202__eol__7.3.6 ReLU函数 203__eol__7.4 多维数组的运算 204__eol__7.4.1 多维数组 204__eol__7.4.2 矩阵乘法 205__eol__7.4.3 神经网络乘积 207__eol__7.5 神经网络的实现 208__eol__7.5.1 符号确认 209__eol__7.5.2 各层间信号传递的实现 209__eol__7.5.3 代码实现小结 212__eol__7.6 输出层的设计 213__eol__7.6.1 恒等函数和Softmax函数 213__eol__7.6.2 实现Softmax函数的注意事项 214__eol__7.6.3 Softmax函数的性质 215__eol__7.6.4 输出层的神经元数量 216__eol__7.7 手写数字识别 216__eol__7.7.1 MNIST数据集 216__eol__7.7.2 神经网络的推理处理 218__eol__7.7.3 批处理 220__eol__第8章 神经网络-反向传播算法 222__eol__8.1 计算图 222__eol__8.1.1 用计算图求解 222__eol__8.1.2 局部计算 223__eol__8.1.3 为何用计算图解决问题 224__eol__8.2 链式法则 225__eol__8.2.1 计算图的反向传播 225__eol__8.2.2 链式法则的原理 225__eol__8.2.3 链式法则和计算图 226__eol__8.3 反向传播 227__eol__8.3.1 加法节点的反向传播 227__eol__8.3.2 乘法节点的反向传播 229__eol__8.3.3 “苹果”的例子 230__eol__8.4 简单层的实现 230__eol__8.4.1 乘法层的实现 231