智能計算技術與應用

前言
第1章  智能計算概述
  1.1  人工智慧與智能計算
    1.1.1  人工智慧
    1.1.2  智能計算時代與學科融合
    1.1.3  「新醫科」與智能計算
    1.1.4  智能計算時代的其他典型應用
  1.2  培養「新醫科」學生的素養
    1.2.1  「新醫科」學生的基本素養
    1.2.2  科學、技術與工程
    1.2.3  科研方法與工程方法
    1.2.4  智能計算素養
  1.3  研究性學習方法與P-MASE模型
    1.3.1  研究性學習與學習方法
    1.3.2  P-MASE模型
  參考文獻
第2章  智能計算編程基礎
  2.1  引入問題
    2.1.1  問題描述
    2.1.2  問題歸納
  2.2  尋找方法
    2.2.1  Python編程環境
    2.2.2  Python編程基礎
    2.2.3  Python的內置模塊和第三方工具包
  2.3  問題分析
  2.4  問題求解
  2.5  效果評價
  參考文獻
第3章  數據獲取和預處理
  3.1  引入問題
    3.1.1  問題描述
    3.1.2  問題歸納
  3.2  尋找方法
    3.2.1  數據的類別
    3.2.2  數據採集方法
    3.2.3  數據預處理
    3.2.4  數據變換
  3.3  問題分析
  3.4  問題求解
    3.4.1  利用爬蟲代碼進行數據採集
    3.4.2  利用數據採集工具進行數據採集
  3.5  效果評價
  參考文獻
第4章  數據可視化
  4.1  引入問題
    4.1.1  問題描述
    4.1.2  問題歸納
  4.2  尋找方法
    4.2.1  數據的統計特徵和可視特徵
    4.2.2  數據可視化的基本要素

    4.2.3  數據可視化工具
    4.2.4  數據可視化方法
  4.3  問題分析
  4.4  問題求解
  4.5  效果評價
  參考文獻
第5章  預測數據的值
  5.1  引入問題
    5.1.1  問題描述
    5.1.2  問題歸納
  5.2  尋找方法
    5.2.1  回歸分析的基本原理
    5.2.2  線性回歸
    5.2.3  常用的回歸模型評估方法
    5.2.4  使用Python實現線性回歸
    5.2.5  多項式回歸
  5.3  問題分析
  5.4  問題求解
    5.4.1  載入數據
    5.4.2  分析數據特徵及預處理
    5.4.3  建立線性回歸預測模型
  5.5  效果評價
  參考文獻
第6章  判斷對象屬於哪一類
  6.1  引入問題
    6.1.1  問題描述
    6.1.2  問題歸納
  6.2  尋找方法
    6.2.1  分類問題及常用演算法
    6.2.2  利用Python求解分類問題
  6.3  問題分析
  6.4  問題求解
    6.4.1  確定問題特徵
    6.4.2  數據採集與預處理
    6.4.3  選擇分類模型
    6.4.4  預測新樣本
  6.5  效果評價
  參考文獻
第７章  將對象劃分為不同的類別——聚類分析
  7.1  引入問題
    7.1.1  問題描述
    7.1.2  問題歸納
  7.2  尋找方法
    7.2.1  聚類問題概述
    7.2.2  k-means演算法簡介
    7.2.3  k-means聚類演算法的實現
    7.2.4  k-means演算法中類簇數量k的選取
    7.2.5  調用工具包實現k-means聚類
  7.3  問題分析
  7.4  問題求解

    7.4.1  二維數據聚類
    7.4.2  三維數據聚類
  7.5  效果評價
  參考文獻
第8章  讓電腦像人腦一樣思考
  8.1  引入問題
    8.1.1  問題描述
    8.1.2  問題歸納
  8.2  尋找方法
    8.2.1  生物神經網路
    8.2.2  人工神經網路
    8.2.3  BP人工神經網路
    8.2.4  Python中的人工神經網路
  8.3  問題分析
  8.4  問題求解
    8.4.1  確定問題特徵
    8.4.2  收集特徵數據及數據預處理
    8.4.3  神經網路分類預測模型
  8.5  效果評價
  參考文獻
第9章  如何讓電腦看懂圖像
  9.1  引入問題
    9.1.1  問題描述
    9.1.2  問題歸納
  9.2  尋找方法
    9.2.1  生物醫學圖像分類的基本實現
方法
    9.2.2  深度學習基礎
    9.2.3  卷積神經網路的原理
    9.2.4  幾種典型的深度卷積神經網路模型
    9.2.5  Python中的圖像分類
  9.3  問題分析
  9.4  問題求解
    9.4.1  確定生物識別採用的技術方案
    9.4.2  訓練數據集的獲取
    9.4.3  對圖像數據進行預處理
    9.4.4  構建VGGNet-16神經網路模型
    9.4.5  使用訓練好的神經網路模型對圖像文件進行分類
  9.5  效果評價
  參考文獻
第10章  處理時間序列數據
  10.1  引入問題
    10.1.1  問題描述
    10.1.2  問題歸納
  10.2  尋找方法
    10.2.1  時間序列預測
    10.2.2  循環神經網路
  10.3  問題分析
    10.3.1  匈牙利每周水痘病例數據集
    10.3.2  數據處理方法

  10.4  問題求解
    10.4.1  數據讀取
    10.4.2  數據預處理
    10.4.3  構建模型
    10.4.4  訓練模型
  10.5  效果評價
  參考文獻
第11章  淋巴造影分類預測綜合案例
  11.1  引入問題
    11.1.1  問題描述
    11.1.2  數據描述
  11.2  尋找方法
    11.2.1  數據預處理方法
    11.2.2  分類預測方法
  11.3  問題分析
    11.3.1  載入數據集
    11.3.2  查看數據分佈
    11.3.3  分析屬性與標籤結果的相關性
  11.4  問題求解
    11.4.1  數據預處理
    11.4.2  建立神經網路模型
  11.5  效果評價
  參考文獻
第12章  胸部CT影像檢測綜合案例
  12.1  引入問題
    12.1.1  問題描述
    12.1.2  數據描述
  12.2  尋找方法
    12.2.1  VGGNet-16
    12.2.2  ResNet神經網路
  12.3  問題分析
  12.4  問題求解
    12.4.1  載入數據集並預處理圖像
    12.4.2  建立VGGNet-16模型
    12.4.3  訓練VGGNet-16模型
    12.4.4  模型評價
  12.5  效果評價
  參考文獻