项目1 电影数据统计 1__eol__1.1 数据获取 1__eol__1.2 数据解析 4__eol__1.3 数据分析 8__eol__1.4 数据可视化 10__eol__1.5 课堂实训：工资数据统计 16__eol__1.6 练习题 19__eol__项目2 电影数据分析（回归） 21__eol__2.1 背景知识 21__eol__2.2 使用一元线性回归分析电影票房数据 22__eol__2.2.1 一元线性回归 22__eol__2.2.2 范围缩放 25__eol__2.2.3 数据集的切分 26__eol__2.3 使用多项式回归分析电影票房数据 29__eol__2.4 使用多元线性回归分析电影票房数据 31__eol__2.5 理解回归分析方法 34__eol__2.6 课堂实训：工龄与工资相关性分析 36__eol__2.7 练习题 39__eol__项目3 数据的爬取 41__eol__3.1 背景知识 41__eol__3.2 电影数据的爬取 42__eol__3.2.1 网络数据一次爬取 42__eol__3.2.2 网络数据定时爬取 48__eol__3.2.3 正则表达式 49__eol__3.3 房屋租赁数据的爬取 51__eol__3.4 房屋租赁数据的统计 54__eol__3.5 课堂实训：二手房数据的爬取与统计 58__eol__3.6 练习题 59__eol__项目4 房屋租赁数据的分析与可视化 62__eol__4.1 背景知识 62__eol__4.2 使用箱形图可视化租赁价格分布特征 63__eol__4.3 使用散点图可视化房屋面积与租赁价格的关系 65__eol__4.4 使用饼图可视化不同行政区的可租赁房源占比 69__eol__4.5 使用折线图可视化房间数与租赁价格的关系 71__eol__4.6 使用热力图可视化地理位置与租赁价格的关系 72__eol__4.7 课堂实训：二手房数据的分析与可视化 75__eol__4.8 练习题 78__eol__项目5 身高与体重数据分析（分类器） 80__eol__5.1 背景知识 80__eol__5.1.1 机器学习 80__eol__5.1.2 监督学习 80__eol__5.1.3 分类器 82__eol__5.2 使用分类方法进行性别分类 82__eol__5.2.1 逻辑回归 82__eol__5.2.2 朴素贝叶斯 88__eol__5.2.3 决策树 91__eol__5.2.4 支持向量机 95__eol__5.3 使用支持向量机进行肥胖程度分类 97__eol__5.4 课堂实训：肥胖分析1 101__eol__5.5 练习题 102__eol__项目6 鸢尾花分类 104__eol__6.1 背景知识 104__eol__6.2 使用K近邻对鸢尾花进行分类 105__eol__6.3 使用随机森林对鸢尾花进行分类 108__eol__6.4 使用神经网络对鸢尾花进行分类 111__eol__6.5 课堂实训：肥胖分析2 114__eol__6.6 练习题 115__eol__项目7 电影评分数据分析（聚类） 117__eol__7.1 背景知识 117__eol__7.1.1 无监督学习 117__eol__7.1.2 聚类 118__eol__7.1.3 K-Means 119__eol__7.2 使用DBSCAN确定质心个数 119__eol__7.3 使用K-Means对观影用户进行聚类 123__eol__7.4 课堂实训：根据身高、体重和性别对用户进行分类 127__eol__7.5 练习题 130__eol____eol____eol__项目8 人脸检测与人脸识别 132__eol__8.1 背景知识 132__eol__8.1.1 人工智能 132__eol__8.1.2 计算机视觉 133__eol__8.1.3 OpenCV计算机视觉包 134__eol__8.2 图像中的人脸检测 135__eol__8.3 视频中的人脸检测 137__eol__8.4 图像中的人脸识别 140__eol__8.5 视频中的人脸识别 143__eol__8.6 课堂实训：眼睛与笑脸检测 145__eol__8.7 练习题 146__eol__项目9 手写数字识别应用 148__eol__9.1 背景知识 148__eol__9.2 图像数据集准备 149__eol__9.2.1 MNIST数据集格式 149__eol__9.2.2 获取MNIST数据集中的图像 150__eol__9.3 使用支持向量机识别手写数字 150__eol__9.4 使用神经网络识别手写数字 154__eol__9.5 课堂实训：使用不同的方法识别手写数字 155__eol__9.6 练习题 156__eol__项目10 深度学习在行为识别中的应用 157__eol__10.1 背景知识 157__eol__10.1.1 卷积神经网络（CNN） 157__eol__10.1.2 循环神经网络（RNN） 159__eol__10.1.3 深度学习的应用 160__eol__10.2 使用卷积神经网络识别行为 161__eol__10.2.1 环境准备 161__eol__10.2.2 数据的获取与解析 161__eol__10.2.3 数据集分析 162__eol__10.2.4 卷积神经网络的应用 162__eol__10.3 使用循环神经网络识别行为 164__eol__10.4 课堂实训：电影评论数据分析 166__eol__10.5 练习题 168__eol__项目11 TensorFlow与神经网络 169__eol__11.1 背景知识 169__eol__11.2 设计单层神经网络预测花瓣宽度 171__eol__11.3 设计多层神经网络实现鸢尾花分类 174__eol__11.4 课堂实训：卷积神经网络的实现与应用 177__eol__11.5 练习题 178__eol__项目12 项目综合实训 180__eol__12.1 确定数据采集目标 181__eol__12.2 数据采集与预处理 182__eol__12.3 数据统计与分析 183__eol__12.3.1 票房分析 183__eol__12.3.2 上座率分析 185__eol__12.3.3 票价分布情况分析 186__eol__12.3.4 评分数据分析 186__eol__12.4 数据分析与预测 187__eol__12.4.1 总场次与票房之间的关系分析 187__eol__12.4.2 评分相关因素分析与预测 187__eol__12.5 数据分类应用 188__eol__12.6 课外拓展实训：二手车数据的获取与市场分析 189__eol__附录A 环境准备 191__eol__附录B 本书使用的工具包 194__eol__参考文献 195__eol__