本书面向初学者介绍智能计算的相关概念、典型应用，采用研究性学习方法和P-MASE模型，按照引入问题、寻找方法、问题分析、问题求解、效果评价的模式，讲授智能计算编程、数据获取和预处理、数据可视化、预测数据的值、分类问题、聚类分析、神经网络、智能图像识别、时间序列数据的处理等知识，并给出了两个综合案例。
本书深入浅出、案例丰富、可操作性强，适合作为高校智能计算相关课程的入门教材，也适合相关技术人员学习参考。

长期从事计算机基础课教学，承担和参与省部、校级教学改革项目及科研项目10余项，获南开大学教学成果奖3项，发表论文10余篇，主编教材4部，参与编写多套教材。从事信息安全、密码学应用、隐私保护等研究，参与多项科研项目，发表EI、CCF-C、SCI等数篇学术论文。

目录<br /><br />前言<br /><br />第1章　智能计算概述　1<br />1.1　人工智能与智能计算　1<br />1.1.1　人工智能　1<br />1.1.2　智能计算时代与学科融合　2<br />1.1.3　“新医科”与智能计算　2<br />1.1.4　智能计算时代的其他典型应用　7<br />1.2　培养“新医科”学生的素养　11<br />1.2.1　“新医科”学生的基本素养　11<br />1.2.2　科学、技术与工程　12<br />1.2.3　科研方法与工程方法　13<br />1.2.4　智能计算素养　13<br />1.3　研究性学习方法与P-MASE模型　14<br />1.3.1　研究性学习与学习方法　14<br />1.3.2　P-MASE模型　14<br />参考文献　16<br /><br />第2章　智能计算编程基础　17<br />2.1　引入问题　17<br />2.1.1　问题描述　17<br />2.1.2　问题归纳　18<br />2.2　寻找方法　18<br />2.2.1　Python编程环境　18<br />2.2.2　Python编程基础　24<br />2.2.3　Python的内置模块和第三方工具包　27<br />2.3　问题分析　30<br />2.4　问题求解　31<br />2.5　效果评价　33<br />参考文献　33<br /><br />第3章　数据获取和预处理　35<br />3.1　引入问题　35<br />3.1.1　问题描述　35<br />3.1.2　问题归纳　35<br />3.2　寻找方法　36<br />3.2.1　数据的类别　36<br />3.2.2　数据采集方法　37<br />3.2.3　数据预处理　44<br />3.2.4　数据变换　48<br />3.3　问题分析　49<br />3.4　问题求解　50<br />3.4.1　利用爬虫代码进行数据采集　50<br />3.4.2　利用数据采集工具进行数据采集　52<br />3.5　效果评价　55<br />参考文献　55<br /><br />第4章　数据可视化　56<br />4.1　引入问题　56<br />4.1.1　问题描述　56<br />4.1.2　问题归纳　56<br />4.2　寻找方法　57<br />4.2.1　数据的统计特征和可视特征　57<br />4.2.2　数据可视化的基本要素　58<br />4.2.3　数据可视化工具　60<br />4.2.4　数据可视化方法　62<br />4.3　问题分析　72<br />4.4　问题求解　74<br />4.5　效果评价　77<br />参考文献　77<br /><br />第5章　预测数据的值　78<br />5.1　引入问题　78<br />5.1.1　问题描述　78<br />5.1.2　问题归纳　78<br />5.2　寻找方法　79<br />5.2.1　回归分析的基本原理　79<br />5.2.2　线性回归　80<br />5.2.3　常用的回归模型评估方法　81<br />5.2.4　使用Python实现线性回归　82<br />5.2.5　多项式回归　85<br />5.3　问题分析　86<br />5.4　问题求解　87<br />5.4.1　加载数据　87<br />5.4.2　分析数据特征及预处理　88<br />5.4.3　建立线性回归预测模型　91<br />5.5　效果评价　92<br />参考文献　93<br /><br />第6章　判断对象属于哪一类　94<br />6.1　引入问题　94<br />6.1.1　问题描述　94<br />6.1.2　问题归纳　94<br />6.2　寻找方法　94<br />6.2.1　分类问题及常用算法　94<br />6.2.2　利用Python求解分类问题　103<br />6.3　问题分析　105<br />6.4　问题求解　105<br />6.4.1　确定问题特征　105<br />6.4.2　数据采集与预处理　105<br />6.4.3　选择分类模型　107<br />6.4.4　预测新样本　111<br />6.5　效果评价　111<br />参考文献　112<br /><br />第７章　将对象划分为不同的类别<br />—聚类分析　113<br />7.1　引入问题　113<br />7.1.1　问题描述　113<br />7.1.2　问题归纳　113<br />7.2　寻找方法　114<br />7.2.1　聚类问题概述　114<br />7.2.2　k-means算法简介　114<br />7.2.3　k-means聚类算法的实现　115<br />7.2.4　k-means算法中类簇数量k的选取　120<br />7.2.5　调用工具包实现k-means聚类　121<br />7.3　问题分析　122<br />7.4　问题求解　123<br />7.4.1　二维数据聚类　124<br />7.4.2　三维数据聚类　125<br />7.5　效果评价　127<br />参考文献　127<br /><br />第8章　让计算机像人脑一样思考　128<br />8.1　引入问题　128<br />8.1.1　问题描述　128<br />8.1.2　问题归纳　128<br />8.2　寻找方法　129<br />8.2.1　生物神经网络　129<br />8.2.2　人工神经网络　129<br />8.2.3　BP人工神经网络　134<br />8.2.4　Python中的人工神经网络　136<br />8.3　问题分析　141<br />8.4　问题求解　142<br />8.4.1　确定问题特征　142<br />8.4.2　收集特征数据及数据预处理　142<br />8.4.3　神经网络分类预测模型　143<br />8.5　效果评价　145<br />参考文献　147<br /><br />第9章　如何让计算机看懂图像　148<br />9.1　引入问题　148<br />9.1.1　问题描述　148<br />9.1.2　问题归纳　148<br />9.2　寻找方法　149<br />9.2.1　生物医学图像分类的基本实现<br />方法　149<br />9.2.2　深度学习基础　149<br />9.2.3　卷积神经网络的原理　150<br />9.2.4　几种典型的深度卷积神经网络模型　151<br />9.2.5　Python中的图像分类　153<br />9.3　问题分析　158<br />9.4　问题求解　158<br />9.4.1　确定生物识别采用的技术方案　158<br />9.4.2　训练数据集的获取　159<br />9.4.3　对图像数据进行预处理　159<br />9.4.4　构建VGGNet-16神经网络模型　159<br />9.4.5　使用训练好的神经网络模型对图像文件进行分类　163<br />9.5　效果评价　164<br />参考文献　166<br /><br />第10章　处理时间序列数据　167<br />10.1　引入问题　167<br />10.1.1　问题描述　167<br />10.1.2　问题归纳　167<br />10.2　寻找方法　168<br />10.2.1　时间序列预测　168<br />10.2.2　循环神经网络　169<br />10.3　问题分析　172<br />10.3.1　匈牙利每周水痘病例数据集　172<br />10.3.2　数据处理方法　173<br />10.4　问题求解　173<br />10.4.1　数据读取　173<br />10.4.2　数据预处理　174<br />10.4.3　构建模型　177<br />10.4.4　训练模型　177<br />10.5　效果评价　178<br />参考文献　179<br /><br />第11章　淋巴造影分类预测综合案例　180<br />11.1　引入问题　180<br />11.1.1　问题描述　180<br />11.1.2　数据描述　180<br />11.2　寻找方法　181<br />11.2.1　数据预处理方法　181<br />11.2.2　分类预测方法　182<br />11.3　问题分析　182<br />11.3.1　加载数据集　182<br />11.3.2　查看数据分布　184<br />11.3.3　分析属性与标签结果的相关性　186<br />11.4　问题求解　187<br />11.4.1　数据预处理　187<br />11.4.2　建立神经网络模型　188<br />11.5　效果评价　190<br />参考文献　191<br /><br />第12章　胸部CT影像检测综合案例　192<br />12.1　引入问题　192<br />12.1.1　问题描述　192<br />12.1.2　数据描述　193<br />12.2　寻找方法　194<br />12.2.1　VGGNet-16　194<br />12.2.2　ResNet神经网络　195<br />12.3　问题分析　195<br />12.4　问题求解　196<br />12.4.1　加载数据集并预处理图像　196<br />12.4.2　建立VGGNet-16模型　197<br />12.4.3　训练VGGNet-16模型　199<br />12.4.4　模型评价　200<br />12.5　效果评价　202<br />参考文献　203