目录

资源下载

第1部分Python编程基础

实验1集成开发环境的安装及Jupyter Notebook的使用

1.1下载Anaconda安装包

1.2Anaconda的安装步骤

1.3Jupyter Notebook的使用教程

实验作业1

实验2基础语法

2.1Python的语法基础

2.1.1注释

 2.1.2代码缩进

 2.1.3代码编码规范 

2.2保留字与标识符

2.2.1保留字

 2.2.2标识符

2.3变量

2.4基本数据类型

2.4.1数字类型

 2.4.2布尔类型

 2.4.3字符串类型

 2.4.4Python字符串的格式化输出

 2.4.5数据类型转换

2.5运算符

 2.5.1算术运算符

 2.5.2赋值运算符

2.5.3比较(关系)运算符

 2.5.4逻辑运算符

 2.5.5运算符的优先级

2.6Python的6种基本数据结构

 2.6.1列表创建

 2.6.2列表索引、切片和遍历

 2.6.3列表的函数与方法

2.7基本的输入和输出函数

 2.7.1使用input()函数输入

 2.7.2使用print()函数输出

2.8Python 模块和包

2.9Python文件操作

实验作业2

实验3Python控制语句与程序调试

3.1控制语句

3.2程序调试

实验作业3

实验4函数与异常处理

4.1函数的创建和调用

 4.1.1创建函数

 4.1.2调用函数

4.2参数传递

 4.2.1形式参数和实际参数

 4.2.2位置参数

4.2.3关键字参数

 4.2.4默认参数

 4.2.5不定长参数

4.3返回值

4.4变量的作用域

 4.4.1局部变量

 4.4.2全局变量

4.5匿名函数(lambda)

4.6异常处理

 4.6.1常见异常

 4.6.2异常处理语法

实验作业4

实验5面向对象编程

5.1面向对象编程概述

 5.1.1对象

 5.1.2类

 5.1.3封装、继承和多态

5.2类的定义和使用

5.2.1定义类

 5.2.2创建类实例

 5.2.3属性

 5.2.4方法

 5.2.5封装

 5.2.6继承

 5.2.7多态

实验作业5

第2部分重要的第三方库

实验6NumPy基础知识

6.1NumPy简介和数据类型

6.2创建ndarray数组对象

6.2.1使用array()函数创建NumPy数组

 6.2.2使用linspace生成等间距的一维数组

 6.2.3使用zeros()、ones()、full()、empty()函数创建NumPy数组

 6.2.4使用arange()函数创建NumPy数组

 6.2.5使用random.rand()函数生成随机数数组

 6.2.6使用asarray()函数创建NumPy数组

 6.2.7使用numpy.reshape()函数改变数组形状

实验作业6

实验7NumPy常用操作

7.1数组元素操作

 7.1.1切片索引

 7.1.2高级索引

7.2广播机制

7.3NumPy元素的基本操作

7.3.1四则运算

 7.3.2幂运算和开方

 7.3.3逻辑运算

 7.3.4三角函数

 7.3.5条件表达式

实验作业7

实验8Pandas基础知识

8.1Pandas简介

8.2Pandas数据结构

8.2.1一维数组Series

 8.2.2二维数组DataFrame

实验作业8

实验9Pandas常用操作

9.1Pandas数据导入

 9.1.1导入Excel数据

 9.1.2导入CSV文件

 9.1.3导入HTML网页

9.2Pandas常用数据处理方法

9.2.1数据选择

9.2.2数据删减

9.2.3数据填充

9.2.4数据可视化

 9.2.5apply函数

实验作业9

实验10Matplotlib基础与实验 

10.1Matplotlib常见图绘制

 10.1.1图形基础结构

 10.1.2绘制曲线图及散点图

 10.1.3绘制直方图和条形图

 10.1.4绘制饼图和雷达图

 10.1.5绘制3D图形

 10.2Matplotlib高级应用及技巧

10.2.1Matplotlib的高级应用

10.2.2Matplotlib的优化技巧

实验作业10

第3部分机器学习基础与Scikitlearn框架

实验11机器学习与Scikitlearn框架的基础知识

11.1什么是机器学习

11.2机器学习的常见分类

11.3Scikitlearn简介

11.4Scikitlearn的常用数据集及应用

实验作业11

实验12Scikitlearn开发流程及通用模板

12.1Scikitlearn开发流程

12.2Scikitlearn开发通用模板一

12.3Scikitlearn开发通用模板二

12.4Scikitlearn开发通用模板三

实验作业12

实验13随机森林原理及应用

13.1随机森林原理

13.2随机森林的优势和不足

13.3随机森林应用举例

实验作业13

实验14SVM原理及应用

14.1SVM基本概念

14.2SVM的优势和不足

实验作业14

实验15模型评估原理及应用

15.1模型评估原理与流程

 15.1.1模型评估原理

 15.1.2模型评估基本知识

 15.1.3评估流程

15.2模型评估的指标详述

实验作业15

第4部分深度学习基础与PyTorch框架

实验16PyTorch的开发环境配置及Tensor的基本操作

16.1PyTorch的开发环境配置

16.2Tensor的基本操作

 16.2.1创建Tensor

 16.2.2索引和切片

 16.2.3变形

 16.2.4类型转换

 16.2.5数学运算

 16.2.6广播

 16.2.7合并和堆叠

 16.2.8分割

 16.2.9其他操作

实验作业16

实验17PyTorch的开发流程与通用模板

17.1PyTorch的开发流程概述

17.2PyTorch的通用模板

实验作业17

实验18卷积神经网络的简介及应用

18.1CNN的基础知识

18.2CNN的应用实例

实验作业18

实验19长短期记忆网络的简介及应用

19.1LSTM的基础知识

19.2LSTM的应用实例

实验作业19

实验20深度神经网络的简介及应用

20.1DNN 的基础知识

20.2DNN的应用实例

实验作业20

第5部分基于大语言模型的自然语言处理编程

实验21Hugging Face框架

21.1Hugging Face的基础知识

21.2Hugging Face开发环境搭建

实验作业21

实验22Hugging Face管道的介绍

22.1Transformer中管道的基本概念

22.2管道的基本组成和工作流程

 22.2.1管道的基本组成

 22.2.2管道的工作流程

22.3管道的功能和优势

22.3.1管道的功能

 22.3.2管道的优势

22.4Pipeline任务列表

22.5管道使用示例

实验作业22

实验23文本分类

23.1文本分类简述

23.2文本分类的任务

23.3文本分类方法

23.3.1基于规则的文本分类方法

 23.3.2基于机器学习的文本分类方法

 23.3.3基于深度学习的文本分类方法

 23.3.4基于预训练模型的文本分类方法

23.4基于预训练模型的文本分类实战案例

实验作业23

实验24文本生成

24.1文本生成简述

24.2文本生成的任务

24.3文本生成方法

 24.3.1基于规则的文本生成方法

 24.3.2基于统计的文本生成方法

 24.3.3基于预训练模型的文本生成方法

24.4基于预训练模型的文本生成实战案例

实验作业24

实验25模型微调

25.1模型微调的定义

25.2微调模型的目的和意义

 25.2.1模型微调目标

 25.2.2微调模型的优点

25.3不同微调方法的比较与分析

25.4模型微调的步骤

25.5使用Trainer API微调模型

 25.5.1Trainer类概述

 25.5.2使用Trainer进行模型微调

25.6文本分类模型微调实战案例

实验作业25

实验26网络数据爬取

26.1网络爬取助手XPath Helper 

26.2XPath语法

 26.2.1XPath语法应用举例

 26.2.2实战收集网络评论数据

实验作业26

参考文献