智能计算技术与应用

参考文献

12.5 效果评价

12.4.4 模型评价

12.4.3 训练VGGNet-16模型

12.4.2 建立VGGNet-16模型

12.4.1 加载数据集并预处理图像

12.4 问题求解

12.3 问题分析

12.2.2 ResNet神经网络

12.2.1 VGGNet-16

12.2 寻找方法

12.1.2 数据描述

12.1.1 问题描述

12.1 引入问题

第12章 胸部CT影像检测综合案例

参考文献

11.5 效果评价

11.4.2 建立神经网络模型

11.4.1 数据预处理

11.4 问题求解

11.3.3 分析属性与标签结果的相关性

11.3.2 查看数据分布

11.3.1 加载数据集

11.3 问题分析

11.2.2 分类预测方法

11.2.1 数据预处理方法

11.2 寻找方法

11.1.2 数据描述

11.1.1 问题描述

11.1 引入问题

第11章 淋巴造影分类预测综合案例

参考文献

10.5 效果评价

10.4.4 训练模型

10.4.3 构建模型

10.4.2 数据预处理

10.4.1 数据读取

10.4 问题求解

10.3.2 数据处理方法

10.3.1 匈牙利每周水痘病例数据集

10.3 问题分析

10.2.2 循环神经网络

10.2.1 时间序列预测

10.2 寻找方法

10.1.2 问题归纳

10.1.1 问题描述

10.1 引入问题

第10章 处理时间序列数据

参考文献

9.5 效果评价

9.4.5 使用训练好的神经网络模型对图像文件进行分类

9.4.4 构建VGGNet-16神经网络模型

9.4.3 对图像数据进行预处理

9.4.2 训练数据集的获取

9.4.1 确定生物识别采用的技术方案

9.4 问题求解

9.3 问题分析

9.2.5 Python中的图像分类

9.2.4 几种典型的深度卷积神经网络模型

9.2.3 卷积神经网络的原理

9.2.2 深度学习基础

9.2.1 生物医学图像分类的基本实现方法

9.2 寻找方法

9.1.2 问题归纳

9.1.1 问题描述

9.1 引入问题

第9章 如何让计算机看懂图像

参考文献

8.5 效果评价

8.4.3 神经网络分类预测模型

8.4.2 收集特征数据及数据预处理

8.4.1 确定问题特征

8.4 问题求解

8.3 问题分析

8.2.4 Python中的人工神经网络

8.2.3 BP人工神经网络

8.2.2 人工神经网络

8.2.1 生物神经网络

8.2 寻找方法

8.1.2 问题归纳

8.1.1 问题描述

8.1 引入问题

第8章 让计算机像人脑一样思考

参考文献

7.5 效果评价

7.4.2 三维数据聚类

7.4.1 二维数据聚类

7.4 问题求解

7.3 问题分析

7.2.5 调用工具包实现k-means聚类

7.2.4 k-means算法中类簇数量k的选取

7.2.3 k-means聚类算法的实现

7.2.2 k-means算法简介

7.2.1 聚类问题概述

7.2 寻找方法

7.1.2 问题归纳

7.1.1 问题描述

7.1 引入问题

第7章 将对象划分为不同的类别——聚类分析

参考文献

6.5 效果评价

6.4.4 预测新样本

6.4.3 选择分类模型

6.4.2 数据采集与预处理

6.4.1 确定问题特征

6.4 问题求解

6.3 问题分析

6.2.2 利用Python求解分类问题

6.2.1 分类问题及常用算法

6.2 寻找方法

6.1.2 问题归纳

6.1.1 问题描述

6.1 引入问题

第6章 判断对象属于哪一类

参考文献

5.5 效果评价

5.4.3 建立线性回归预测模型

5.4.2 分析数据特征及预处理

5.4.1 加载数据

5.4 问题求解

5.3 问题分析

5.2.5 多项式回归

5.2.4 使用Python实现线性回归

5.2.3 常用的回归模型评估方法

5.2.2 线性回归

5.2.1 回归分析的基本原理

5.2 寻找方法

5.1.2 问题归纳

5.1.1 问题描述

5.1 引入问题

第5章 预测数据的值

参考文献

4.5 效果评价

4.4 问题求解

4.3 问题分析

4.2.4 数据可视化方法

4.2.3 数据可视化工具

4.2.2 数据可视化的基本要素

4.2.1 数据的统计特征和可视特征

4.2 寻找方法

4.1.2 问题归纳

4.1.1 问题描述

4.1 引入问题

第4章 数据可视化

参考文献

3.5 效果评价

3.4.2 利用数据采集工具进行数据采集

3.4.1 利用爬虫代码进行数据采集

3.4 问题求解

3.3 问题分析

3.2.4 数据变换

3.2.3 数据预处理

3.2.2 数据采集方法

3.2.1 数据的类别

3.2 寻找方法

3.1.2 问题归纳

3.1.1 问题描述

3.1 引入问题

第3章 数据获取和预处理

参考文献

2.5 效果评价

2.4 问题求解

2.3 问题分析

2.2.3 Python的内置模块和第三方工具包

2.2.2 Python编程基础

2.2.1 Python编程环境

2.2 寻找方法

2.1.2 问题归纳

2.1.1 问题描述

2.1 引入问题

第2章 智能计算编程基础

参考文献

1.3.2 P-MASE模型

1.3.1 研究性学习与学习方法

1.3 研究性学习方法与P-MASE模型

1.2.4 智能计算素养

1.2.3 科研方法与工程方法

1.2.2 科学、技术与工程

1.2.1 “新医科”学生的基本素养

1.2 培养“新医科”学生的素养

1.1.4 智能计算时代的其他典型应用

1.1.3 “新医科”与智能计算

1.1.2 智能计算时代与学科融合

1.1.1 人工智能

1.1 人工智能与智能计算

第1章 智能计算概述

前言

版权页

封面

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

7.3 问题分析

7.4 问题求解

7.4.1 二维数据聚类

7.4.2 三维数据聚类

7.5 效果评价

参考文献

第8章 让计算机像人脑一样思考

8.1 引入问题

8.1.1 问题描述

8.1.2 问题归纳

8.2 寻找方法

8.2.1 生物神经网络

8.2.2 人工神经网络

8.2.3 BP人工神经网络

8.2.4 Python中的人工神经网络

8.3 问题分析

8.4 问题求解

8.4.1 确定问题特征

8.4.2 收集特征数据及数据预处理

8.4.3 神经网络分类预测模型

8.5 效果评价

参考文献

第9章 如何让计算机看懂图像

9.1 引入问题

9.1.1 问题描述

9.1.2 问题归纳

9.2 寻找方法

9.2.1 生物医学图像分类的基本实现方法

9.2.2 深度学习基础

9.2.3 卷积神经网络的原理

9.2.4 几种典型的深度卷积神经网络模型

9.2.5 Python中的图像分类

9.3 问题分析

9.4 问题求解

9.4.1 确定生物识别采用的技术方案

9.4.2 训练数据集的获取

9.4.3 对图像数据进行预处理

9.4.4 构建VGGNet-16神经网络模型

9.4.5 使用训练好的神经网络模型对图像文件进行分类

9.5 效果评价

参考文献

第10章 处理时间序列数据

10.1 引入问题

10.1.1 问题描述

10.1.2 问题归纳

10.2 寻找方法

10.2.1 时间序列预测

10.2.2 循环神经网络

10.3 问题分析

10.3.1 匈牙利每周水痘病例数据集

10.3.2 数据处理方法

10.4 问题求解

10.4.1 数据读取

10.4.2 数据预处理

10.4.3 构建模型

10.4.4 训练模型

10.5 效果评价

参考文献

第11章 淋巴造影分类预测综合案例

11.1 引入问题

11.1.1 问题描述

11.1.2 数据描述

11.2 寻找方法

11.2.1 数据预处理方法

11.2.2 分类预测方法

11.3 问题分析

11.3.1 加载数据集

11.3.2 查看数据分布

11.3.3 分析属性与标签结果的相关性

11.4 问题求解

11.4.1 数据预处理

11.4.2 建立神经网络模型

11.5 效果评价

参考文献

第12章 胸部CT影像检测综合案例

12.1 引入问题

12.1.1 问题描述

12.1.2 数据描述

12.2 寻找方法

12.2.1 VGGNet-16

12.2.2 ResNet神经网络

12.3 问题分析

12.4 问题求解

12.4.1 加载数据集并预处理图像

12.4.2 建立VGGNet-16模型

12.4.3 训练VGGNet-16模型

12.4.4 模型评价

12.5 效果评价

参考文献