深入淺出 AI 算法:基礎概覽

呂磊

  • 出版商: 電子工業
  • 出版日期: 2021-07-01
  • 定價: $534
  • 售價: 8.5$454
  • 語言: 簡體中文
  • 頁數: 244
  • 裝訂: 平裝
  • ISBN: 7121415518
  • ISBN-13: 9787121415517
  • 相關分類: 人工智慧Machine Learning
  • 立即出貨

買這商品的人也買了...

商品描述

本書從理論到實踐,循序漸進地介紹人工智能算法的基礎知識,幫助讀者敲開人工智能算法之門。本書共有8 章,分別為算法入門、算法之內力、算法之招式、算法之武功秘籍、算法工程的組成部分、算法工程實戰、進階學習、思考與展望。本書主要講解算法的歷史背景與基本概念、與算法相關的數學基礎知識、信息學算法與數據結構的概念與知識點、業界常用的幾類機器學習算法模型;本書還會介紹算法工程比較完整的組成部分,以及一個典型的算法工程項目,手把手帶領讀者體驗算法的魅力;此外,本書會介紹人工智能算法的三大研究方向,幫讀者邁向進階學習之路。本書適合從事人工智能應用實踐的科研人員和工程技術人員閱讀,也適合高等院校電腦科學與技術、人工智能、大數據等相關專業的本科生和研究生閱讀。

作者簡介

呂 磊
微軟(中國)軟件工程師。本碩畢業於山東大學計算機科學與技術系,具有多年算法從業經驗,曾先後在京東廣告部、螞蟻金服人工智能部、亞馬遜AWS(中國)的AI產品相關部門從事算法工作,在工業界有著豐富的AI算法落地經驗。

目錄大綱

第1章 算法入門 / 1
1.1 打開算法之門 / 2
1.1.1 算法簡史 / 2
1.1.2 算法與人工智能 / 5
1.1.3 什麼是數據分析 / 6
1.1.4 什麼是數據挖掘 / 6
1.1.5 什麼是機器學習 / 7
1.2 如何學習算法 / 8
1.3 本書結構 / 9
關鍵詞回顧 / 10


第2章 算法之內力 / 11
2.1 線性代數 / 12
2.1.1 名詞解釋 / 13
2.1.2 向量和矩陣 / 13
2.2 排列組合 / 19
2.3 高等數學 / 20
2.3.1 導數 / 20
2.3.2 梯度 / 23
2.4 概率與統計 / 23
2.4.1 名詞解釋 / 23
2.4.2 概率分佈 / 26
2.5 最優化原理 / 33
2.6 動腦時刻 / 34
2.7 本章小結 / 35
關鍵詞回顧 / 36


第3章 算法之招式 / 37
3.1 數據結構 / 38
3.1.1 數組與鍊錶 / 38
3.1.2 隊列和棧 / 40
3.1.3 樹 / 41
3.1.4 圖 / 43
3.1.5 散列表 / 45
3.2 基礎算法 / 46
3.2.1 排序 / 47
3.2.2 遞歸與分治 / 55
3.2.3 貪婪算法和動態規劃 / 57
3.2.4 搜索 / 60
3.2.5 最短路徑 / 61
3.2.6 最小生成樹 / 65
3.2.7 樹狀數組 / 67
3.2.8 線段樹 / 69
3.2.9 平衡二叉樹 / 72
3.2.10 並查集 / 75
3.2.11 匈牙利算法 / 78
3.3 在線評測系統 / 80
3.3.1 LeetCode / 81
3.3.2 POJ與ZOJ / 82
3.3.3 Tsinsen / 82
3.4 動腦時刻 / 83
3.5 本章小結 / 83
關鍵詞回顧 / 84


第4章 算法之武功秘籍 / 85
4.1 類別劃分 / 86
4.1.1 按是否有監督信號劃分 / 86
4.1.2 按學習目標劃分 / 89
4.2 線性回歸模型與邏輯回歸模型 / 90
4.2.1 線性回歸模型 / 90
4.2.2 邏輯回歸模型 / 92
4.3 人工神經網絡 / 95
4.3.1 初識人工神經網絡 / 95
4.3.2 深度神經網絡 / 97
4.3.3 卷積神經網絡 / 99
4.3.4 遞歸神經網絡 / 102
4.3.5 圖神經網絡 / 104
4.4 決策樹 / 106
4.4.1 概念與方法 / 106
4.4.2 剪枝 / 109
4.4.3 梯度提升決策樹 / 110
4.4.4 隨機森林 / 112
4.5 聚類 / 113
4.5.1 距離度量 / 114
4.5.2 劃分聚類 / 115
4.5.3 層次聚類 / 116
4.5.4 密度聚類 / 117
4.5.5 模型聚類 / 119

4.6 貝葉斯分類 / 121
4.6.1 概率基礎 / 121
4.6.2 樸素貝葉斯分類 / 124
4.7 支持向量機 / 125
4.8 動腦時刻 / 128
4.9 本章小結 / 129
關鍵詞回顧 / 129


第5章 算法工程的組成部分 / 133
5.1 數據分析 / 134
5.1.1 宏觀把握數據 / 134
5.1.2 微觀感受數據 / 137
5.1.3 分析方法 / 139
5.2 特徵工程 / 141
5.2.1 數據預處理 / 141
5.2.2 特徵分類 / 142
5.2.3 工程技巧 / 142
5.3 建模與調參 / 149
5.3.1 建模 / 150
5.3.2 調參 / 150
5.4 效果評估 / 151
5.4.1 數據集劃分 / 151
5.4.2 評估指標 / 152
5.4.3 直觀理解AUC / 155
5.5 模型託管 / 159
5.6 動腦時刻 / 160
5.7 本章小結 / 160
關鍵詞回顧 / 161

第6章 算法工程實戰 / 163
6.1 環境準備 / 164
6.1.1 設備配置 / 164
6.1.2 環境搭建 / 165
6.1.3 開發工具 / 167
6.1.4 基礎調試 / 168
6.2 開源算法庫 / 170
6.2.1 scikit-learn / 171
6.2.2 TensorFlow / 172
6.3 算法實踐 / 174
6.3.1 線性回歸模型 / 174
6.3.2 神經網絡模型 / 179
6.4 工程實戰 / 182
6.4.1 數據準備 / 182
6.4.2 數據分析 / 184
6.4.3 特徵工程 / 188
6.4.4 模型訓練 / 189
6.4.5 模型的保存與載入 / 190
6.5 算法競賽介紹 / 191
6.5.1 Kaggle / 191
6.5.2 KDD Cup / 191
6.6 動腦時刻 / 192
6.7 本章小結 / 192
關鍵詞回顧 / 193


第7章 進階學習 / 195
7.1 深度學習 / 196
7.1.1 起源 / 196
7.1.2 難點與方法 / 197
7.1.3 經典模型:AlexNet / 201
7.2 強化學習 / 203
7.2.1 起源 / 203
7.2.2 流派與分類 / 204
7.2.3 經典案例:AlphaGo / 206
7.3 遷移學習 / 213
7.3.1 簡介 / 213
7.3.2 方法與研究方向 / 214
7.3.3 經典模型:TrAdaBoost / 215
7.4 動腦時刻 / 216
7.5 本章小結 / 217
關鍵詞回顧 / 217


第8章 思考與展望 / 219
8.1 思考 / 220
8.1.1 人工智能感悟 / 220
8.1.2 萬物數據化 / 221
8.2 展望 / 224
8.2.1 人工智能最終能做什麼 / 224
8.2.2 人類最終能做什麼 / 224
8.3 本章小結 / 225