1.找准切入点，使复杂问题简单化：本书的讲解都是从简单实例开始，然后逐步扩展。
2.图文并茂，使抽象问题直观化：用图说话，一张好图胜过千言万语。
3.实例说明，使抽象问题具体化：对Python及各种框架的理解和掌握离不开实战，本书介绍了很多实例，以及对实例的后续思考等内容。

　　吴茂贵，上海大学运筹学与控制论硕士，在BI、数据挖掘与分析、机器学习等领域有20多年的工作经验，在Spark机器学习、TensorFlow人工智能以及神经网络领域有大量的实践经验。

第1章 Python安装配置
1.1 问题：Python能带来哪些优势
1.2 安装Python
1.3 配置开发环境
1.4 试运行Python
1.5 后续思考
1.6 小结
第2章 变量和数据类型
2.1 问题：Python是如何定义变量的
2.2 变量
2.3 字符串
2.4 数字与运算符
2.5 数据类型转换
2.6 注释
2.7 后续思考
2.8 小结
第3章 列表和元组
3.1 问题：如何存取更多数据
3.2 列表概述
3.3 访问列表元素的方法
3.4 对列表进行增、删、改
3.5 统计分析列表
3.6 组织列表
3.7 生成列表
3.8 元组
3.9 后续思考
3.10 小结
第4章 if语句与循环语句
4.1 问题：Python中的控制语句有何特点
4.2 if语句
4.3 循环语句
4.4 后续思考
4.5 小结
第5章 字典和集合
5.1 问题：当索引不好用时怎么办
5.2 一个简单的字典实例
5.3 创建和维护字典
5.4 遍历字典
5.5 集合
5.6 列表、元组、字典和集合的异同
5.7 迭代器和生成器
5.8 后续思考
5.9 小结
第6章 函数
6.1 问题：如何实现代码共享
6.2 创建和调用函数
6.3 传递参数
6.4 返回值
6.5 传递任意数量的参数
6.6 lambda函数
6.7 生成器函数
6.8 把函数放在模块中
6.9 后续思考
6.10 小结
第7章 面向对象编程
7.1 问题：如何实现不重复造轮子
7.2 类与实例
7.3 继承
7.4 把类放在模块中
7.5 标准库
7.6 包
7.7 实例1:使用类和包
7.8 实例2：银行ATM机系统
7.9 后续思考
7.10 小结
第8章 文件与异常
8.1 问题：Python如何获取文件数据
8.2 基本的文件操作
8.3 目录操作
8.4 异常处理
8.5 后续思考
8.6 小结
第9章 NumPy基础
9.1 问题：为什么说NumPy是打开人工智能的一把钥匙
9.2 生成NumPy数组
9.3 获取元素
9.4 NumPy的算术运算
9.5 数组变形
9.6 通用函数
9.7 广播机制
9.8 后续思考
9.9 小结
第10章 Pandas基础
10.1 问题：Pandas有哪些优势
10.2 Pandas数据结构
10.3 Series
10.4 DataFrame
10.5 后续思考
10.6 小结
第11章 数据可视化
11.1 问题：为何选择Matplotlib
11.2 可视化工具Matplotlib
11.3 绘制多个子图
11.4 Seaborn简介
11.5 图像处理与显示
11.6 Pyecharts简介
11.7 实例：词云图
11.8 后续思考
11.9 小结
第12章 机器学习基础
12.1 问题：机器学习如何学习
12.2 机器学习常用算法
12.3 机器学习的一般流程
12.4 机器学习常用技巧
12.5 实例1：机器学习是如何学习的
12.6 实例2：用Scikit-Learn实现电信客户流失预测
12.7 后续思考
12.8 小结
第13章 神经网络
13.1 问题：神经网络能代替传统机器学习吗
13.2 单层神经网络
13.3 多层神经网络
13.4 输出层
13.5 损失函数
13.6 正向传播
13.7 误差反向传播
13.8 实例：用Python实现手写数字的识别
13.9 后续思考
13.10 小结
第14章 用PyTorch实现神经网络
14.1 为何选择PyTorch
14.2 安装配置
14.3 Tensor简介
14.4 autograd机制
14.5 构建神经网络的常用工具
14.6 数据处理工具
14.7 实例1：用PyTorch实现手写数字识别
14.8 实例2：用PyTorch解决回归问题
14.9 小结
第15章 卷积神经网络
15.1 问题：传统神经网络有哪些不足
15.2 卷积神经网络
15.3 实例：用PyTorch完成图像识别任务
15.4 后续思考
15.5 小结
第16章 提升模型性能的几种技巧
16.1 问题：为什么有些模型尝试了很多方法仍然效果不佳
16.2 找到合适的学习率
16.3 正则化
16.4 合理的初始化
16.5 选择合适的优化器
16.6 GPU加速
16.7 后续思考
16.8 小结
第17章 Keras入门
17.1 问题：为何选择Keras架构
17.2 Keras简介
17.3 Keras常用概念
17.4 Keras常用层
17.5 神经网络核心组件
17.6 Keras的开发流程
17.7 实例：Keras程序的开发流程
17.8 后续思考
17.9 小结
第18章 用Keras实现图像识别
18.1 实例1：用自定义模型识别手写数字
18.2 实例2：用预训练模型识别图像
18.3 后续思考
18.4 小结
第19章 用Keras实现迁移学习
19.1 问题：如何发挥小数据的潜力
19.2 迁移学习简介
19.3 迁移学习常用方法
19.4 实例：用Keras实现迁移学习
19.5 后续思考
19.6 小结
第20章 用Keras实现风格迁移
20.1 问题：如何捕捉图像风格
20.2 通道与风格
20.3 内容损失与风格损失
20.4 格拉姆矩阵简介
20.5 实例：用Kreras实现风格迁移
20.6 后续思考
20.7 小结

在回答这个问题之前，先看看未来的发展大势是什么？答案是大数据和人工智能。而Python作为人工智能的首选语言，与时俱进就是它的最大优势。开发语言有很多，比Python 发展历史长的也有很多，为何Python 能在大数据、人工智能方面独占鳌头？我们认为主要有以下原因。
（1）简单易学。Python 是一种解释性动态语言，易于学习，可读性强，使用简单，调试方便。
（2）简单高效。Python 对数据的处理有着得天独厚的优势, 尤其是NumPy 模块，在数据处理方面简单高效，是Python 数据处理和分析的基石与灵魂。
（3）生态完备。Python 的生态非常完备，目前已广泛应用于人工智能、云计算开发、大数据开发、数据分析、科学运算、网站开发、爬虫、自动化运维、自动化测试、游戏开发等领域，而且在成千上万的无私奉献者的努力下，其应用领域还在不断扩展。