目录
0．个人简介和课程说明 1
0.1 小李其人 1
0.2 课程说明 1
0.2.1 课程特点 1
0.2.2 适合人群 2
0.2.3 常见问题 2
0.2.4 预期成果 3
0.2.5其他事项 3
- 影像组学初相见 4
1.1 什么是人工智能？ 4
1.2 人工智能、机器学习和深度学习的关系 4
1.3 直观感受“人工智能” 4
1.4 什么是影像组学？ 5
1.5 影像组学的应用 5
1.6 影像组学的一般流程 6
1.6.1 高质量标准化影像采集 6
1.6.2 感兴趣区分割 6
1.7 文献导读 9
- Python准备 10
2.1 为什么是Python？ 10
2.2 Python和影像组学 12
2.3 Python安装与环境配置 13
2.3.1 愉快地用Python写代码需要什么？ 13
2.3.2 Anaconda介绍和安装 14
2.3.3 Jupyter notebook的基本操作 17
2.4 软件和库的升级与管理 19
- Python语言基础 21
- NumPy基础 22
- pandas基础 23
- 影像准备 24
6.1 医学影像格式 24
6.1.1 医学影像的查看、 “脱敏” 和格式转换 24
6.1.2 图片格式能做影像组学研究吗？ 26
6.2 感兴趣区分割 27
6.2.1 感兴趣区分割的实现 27
6.2.2 感兴趣区分割的两种形式 28
6.3 图像预处理 31
- 影像组学特征提取 32
7.1 影像组学特征类型 32
7.2 影像组学特征提取实践 32
7.2.1 使用软件进行影像组学特征提取 32
7.2.2 使用Python编程进行影像组学特征提取 33
- 影像组学特征数据预处理 34
8.1 影像组学特做数据清洗 34
8.1.1 什么是数据清洗 34
8.1.2 数据清洗要清洗的是哪些数据 34
8.1.3 数据清洗常用方法 35
8.2 影像组学特征的无量纲化 35
8.2.1 为什么要做特征的无量纲化 35
8.2.2 数据归一化（Normalization或称Min-Max Scaling） 36
8.2.3 数据标准化（Standardization或称Z-score normalization） 37
8.2.4 特征无量纲化方法选择 ☆ 37
8.2.5 哪些算法需要归一化 ☆ 38
- 影像组学特征降维 39
9.1 三类特征和特征降维的目的 39
9.2 特征降维的原则和方法 39
9.2.1 特征降维的两个原则 ☆ 39
9.2.2 特征选择的三类方法 ☆ 40
9.2.3 方差法 40
9.2.4 T检验（t-test） 41
9.2.5 曼-惠特尼U秩和检验（Mann-Whitney U test） 43
9.2.6 互信息法（Mutual Information，MI） 43
9.2.7 选择最优的前K个特征——SelectKBest类 ☆ 44
9.2.8 递归特征消除法(Recursive feature elimination, RFE) ☆ 44
9.2.9 套索算法（Least absolute shrinkage and selection operator，LASSO） 45
9.2.10 随机森林嵌入法☆ 49
9.2.11 主成分分析法（Principal Component Analysis，PCA） 50
- 影像组学建模 52
10.1 分类决策树（Decision Tree Classifier） 52
10.1.1 决策树简介 52
10.1.2 Python中使用sklearn类建模的一般流程 52
10.1.3 常用参数 53
10.1.4 常用属性 55
10.1.5 常用接口（Methods） 55
10.1.6 生成并可视化一棵分类决策树并进行优化 56
10.1.7 通过学习曲线调参 56
10.2 回归决策树（Decision Tree Regressor） 56
10.2.1 参数、属性和接口 56
10.2.2 回归决策树在sklearn中的实现 57
10.2.3 决策树的优劣 57
10.3 随机森林分类器（Random Forest Classifier） 57
10.3.1 集成学习与随机森林简介 57
10.3.2 参数详解 58
10.3.3 属性 59
10.3.4 随机森林分类器在sklearn中的实现 59
10.3.5 数据划分 60
10.3.6 校准曲线（Calibration curve）☆ 62
10.4 逻辑回归（Logistic Regression） 64
10.4.1 逻辑回归介绍 64
10.4.2 逻辑回归在sklearn中的实现 64
10.4.3 训练集样本数学习曲线 66
10.4.4 数据样本不平衡问题 66
10.5 支持向量机（Support Vector Machine，SVM） 66
10.5.1 支持向量机介绍 67
10.5.2 超平面和支持向量机原理 67
10.5.3 核函数与核技巧 68
10.5.4 支持向量机分类在sklearn中的实现 68
10.5.5 网格搜索调参 70
10.6 朴素贝叶斯分类器（Naïve Bayesian Classification） ☆ 71
10.6.1 朴素贝叶斯分类器简介 71
10.6.2 朴素贝叶斯分类器的特性和使用建议 72
10.6.3 高斯朴素贝叶斯分类器在sklearn中的实现 72
10.6.4 模型保存 73
10.6.5 sklearn中的分类报告（classification_report） 73
10.6.6 混淆矩阵和ROC曲线 75
10.7 无监督学习和K-Means算法 77
10.7.1 无监督学习简介和应用场景 77
10.7.2 K-Means聚类介绍 77
10.7.3 K-Means在sklearn中的实现 78
10.8 从梯度提升算法到XGBoost ☆ 78
10.8.1 随机森林和梯度提升决策树 78
10.8.2 XGBoost (Extreme Gradient Boosting) 79
- 深度学习探秘 ☆ 84
11.1 何为深度学习？ 84
11.2 sklearn中的神经网络 86
11.2.1 受限玻尔兹曼机（Bernoulli Restricted Boltzmann Machine） 86
11.2.2 多层感知机（Multi-layer Perceptron） 87
商品链接 https://weidian.com/item.html?itemID=4294775730
商品二维码
