人工智能算法 捲1 基礎算法

傑弗瑞·希頓（Jeffery Heaton）

既是一位活躍的技術博主、開源貢獻者，也是十多本圖書的作者。他的專業領域包括數據科學、預測建模、數據挖掘、大數據、商務智能和人工智能等。他擁有華盛頓大學信息管理學碩士學位，是IEEE的高級會員、Sun認證Java程序員、開源機器學習框架Encog的首席開發人員。

第1章AI入門1
1.1與人類大腦的聯繫2
1.1.1大腦和真實世界3
1.1.2缸中之腦5
1.2對問題建模6
1.2.1大腦和真實世界7
1.2.2回歸分析9
1.2.3聚類問題10
1.2.4時序問題10
1.3對輸入/輸出建模11
1.3.1一個簡單的例子15
1.3.2燃油效率16
1.3.3向算法傳入圖像18
1.3.4金融算法20
1.4理解訓練過程21
1.4.1評估成果22
1.4.2批量學習和在線學習22
1.4.3監督學習和非監督學習23
1.4.4隨機學習和確定學習23
1.5本章小結23

第2章數據歸一化25
2.1計量尺度25
2.2觀測值歸一化29
2.2.1名義量歸一化30
2.2.2順序量歸一化32
2.2.3順序量解歸一化34
2.2.4數字量歸一化35
2.2 .5數字量解歸一化37
2.3其他歸一化方法38
2.3.1倒數歸一化38
2.3.2倒數解歸一化38
2.3.3理解等邊編碼法39
2.3.4等邊編碼法的實現41
2.4本章小結45

第3章距離度量47
3.1理解向量47
3.2計算向量距離49
3.2.1歐氏距離49
3.2.2曼哈頓距離51
3.2.3切比雪夫距離53
3.3光學字符識別54
3.4本章小結57

第4章隨機數生成59
4.1偽隨機數生成算法的概念60
4.2隨機數分佈類型61
4.3輪盤模擬法64
4.4偽隨機數生成算法65
4.4.1線性同餘生成法66
4.4.2進制乘數法67
4.4.3梅森旋轉算法68
4.4.4 Box-Muller轉換法70
4.5用蒙特卡洛方法估算PI值72
4.6本章小結74

第5章K均值聚類算法75
5.1理解訓練集77
5.1.1非監督學習77
5.1.2監督學習80
5.2理解K均值算法80
5.2.1分配81
5.2.2更新83
5.3 K均值算法的初始化84
5.3.1隨機K均值初始化84
5.3.2 K均值算法的Forgy初始化87
5.4本章小結90

第6章誤差計算91
6.1方差和誤差92
6.2均方根誤差93
6.3均方誤差93
6.4誤差計算方法的比較94
6.5本章小結96

第7章邁向機器學習97
7.1多項式係數99
7.2訓練入門101
7.3徑向基函數網絡103
7.3.1徑向基函數104
7.3.2徑向基函數網絡107
7.3.3實現徑向基函數網絡109
7.3.4應用徑向基函數網絡113
7.4本章小結115

第8章優化訓練117
8.1爬山算法117
8.2模擬退火算法121
8.2.1模擬退火算法的應用122
8.2.2模擬退火算法123
8.2.3冷卻進度126
8.2.4退火概率127
8.3 Nelder-Mead算法128
8.3.1反射130
8.3.2擴張操作131
8.3.3收縮操作132
8.4 Nelder-Mead算法的終止條件133
8.5本章小結134

第9章離散優化135
9.1旅行商問題135
9.1.1旅行商問題簡要說明136
9.1.2旅行商問題求解的實現137
9.2環形旅行商問題138
9.3背包問題139
9.3.1背包問題簡要說明140
9.3. 2背包問題求解的實現141
9.4本章小結143

第10章線性回歸144
10.1線性回歸144
10.1.1最小二乘法擬合146
10.1.2最小二乘法擬合示例148
10.1.3安斯庫姆四重奏149
10.1 .4鮑魚數據集151
10.2廣義線性模型152
10.3本章小結155

附錄A示例代碼使用說明157
A.1 “讀懂人工智能”系列書簡介157
A.2保持更新157
A.3獲取示例代碼158
A. 4示例代碼的內容159
A.5如何為項目做貢獻163

參考資料164