人工智能算法：卷1基础算法+卷2受大自然启发的算法+卷3深度学习和神经网络（套装3册）

　　9787115523402 人工智能算法 卷1 基础算法 59.00 9787115544315 人工智能算法 卷2 受大自然启发的算法 69.00 9787115552310 人工智能算法 卷3 深度学习和神经网络（全彩印刷） 89.90 《人工智能算法 卷1 基础算法》 算法是人工智能技术的核心。本书介绍了人工智能的基础算法，全书共10 章，涉及维度法、距离度量算法、K 均值聚类算法、误差计算、爬山算法、模拟退火算法、Nelder-Mead 算法和线性回归算法等。书中所有算法均配以具体的数值计算来进行讲解，读者可以自行尝试。每章都配有程序示例，GitHub 上有多种语言版本的示例代码可供下载。本书适合作为人工智能入门读者以及对人工智能算法感兴趣的读者阅读参考。 《人工智能算法 卷2 受大自然启发的算法》 算法是人工智能技术的核心，大自然是人工智能算法的重要灵感来源。本书介绍了受到基因、鸟类、蚂蚁、细胞和树影响的算法，这些算法为多种类型的人工智能场景提供了实际解决方法。全书共10章，涉及种群、交叉和突变、遗传算法、物种形成、粒子群优化、蚁群优化、细胞自动机、人工生命和建模等问题。书中所有算法均配以具体的数值计算来进行讲解，每章都配有程序示例，读者可以自行尝试。 《人工智能算法 卷3 深度学习和神经网络（全彩印刷）》 自早期以来，神经网络就一直是人工智能的支柱。现在，令人兴奋的新技术（例如深度学习和卷积）正在将神经网络带入一个全新的方向。在本书中，我们将演示各种现实世界任务中的神经网络，例如图像识别和数据科学。我们研究了当前的神经网络技术，包括ReLU 激活、随机梯度下降、交叉熵、正则化、Dropout 及可视化等。

　　杰弗瑞.希顿（Jeffery Heaton）既是一位活跃的技术博主、开源贡献者，也是十多本图书的作者。他的专业领域包括数据科学、预测建模、数据挖掘、大数据、商务智能和人工智能等。他拥有华盛顿大学信息管理学硕士学位，是IEEE的高级会员、Sun认证Java程序员、开源机器学习框架Encog的首席开发人员。

《人工智能算法 卷1 基础算法》

第 1 章 AI 入门  1

1.1 与人类大脑的联系  2

1.2 对问题建模  6

1.3 对输入/ 输出建模 11

1.4 理解训练过程 21

1.5 本章小结 23

第 2 章 数据归一化  25

2.1 计量尺度 25

2.2 观测值归一化 29

2.3 其他归一化方法 38

2.4 本章小结 45

第3 章 距离度量  47

3.1 理解向量 47

3.2 计算向量距离 49

3.3 光学字符识别 54

3.4 本章小结 57

第4 章 随机数生成  59

4.1 伪随机数生成算法的概念 60

4.2 随机数分布类型 61

4.3 轮盘模拟法 64

4.4 伪随机数生成算法 65

4.5 用蒙特卡洛方法估算PI 值 72

4.6 本章小结 74

第5 章 K 均值聚类算法 75

5.1 理解训练集 77

5.2 理解K 均值算法 80

5.3 K 均值算法的初始化 84

5.4 本章小结 90

第6 章 误差计算  91

6.1 方差和误差 92

6.2 均方根误差 93

6.3 均方误差 93

6.4 误差计算方法的比较 94

6.5 本章小结 96

第7 章 迈向机器学习  97

7.1 多项式系数 99

7.2 训练入门  101

7.3 径向基函数网络  103

7.4 本章小结  115

第8 章 优化训练  117

8.1 爬山算法  117

8.2 模拟退火算法  121

8.3 Nelder-Mead 算法  128

8.4 Nelder-Mead 算法的终止条件  133

8.5 本章小结  134

第9 章 离散优化  135

9.1 旅行商问题  135

9.2 环形旅行商问题  138

9.3 背包问题  139

9.4 本章小结  143

第 10 章 线性回归 144

10.1 线性回归  144

10.2 广义线性模型  152

10.3 本章小结  155

附录A 示例代码使用说明  157

A.1 “读懂人工智能”系列书简介  157

A.2 保持更新  157

A.3 获取示例代码  158

A.4 示例代码的内容  159

A.5 如何为项目做贡献  163

参考资料  164

《人工智能算法 卷2 受大自然启发的算法》

第 1 章　种群、计分和选择                  1

1.1　理解种群　2

1.2　对种群计分　6

1.3　从种群中选择　7

1.4　截断选择　8

1.5　联赛选择　9

1.6　如何选择轮数　12

1.7　适应度比例选择　13

1.8　随机遍历抽样　15

1.9　本章小结　18

第　2 章 交叉和突变　20

2.1　演化算法　21

2.2　解编码　22

2.3　交叉　23

2.4　突变　28

2.5　为什么需要精英　33

2.6　本章小结　34

第　3 章 遗传算法　35

3.1　离散问题的遗传算法　35

3.2　连续问题的遗传算法　42

3.3　遗传算法的其他应用　45

3.4　本章小结　49

第　4 章 遗传编程　50

4.1　程序作为树　50

4.2　树突变　67

4.3　树交叉　68

4.4　拟合公式　70

4.5　本章小结　73

第　5 章 物种形成　75

5.1　物种形成实现　76

5.2　遗传算法中的物种　79

5.3　遗传编程中的物种　79

5.4　使用物种形成　80

5.5　本章小结　81

第　6 章 粒子群优化　83

6.1　群聚　83

6.2　粒子群优化　86

6.3　本章小结　91

第　7 章 蚁群优化　93

7.1　离散蚁群优化　95

7.2　连续蚁群优化　103

7.3　本章小结　110

第　8 章 细胞自动机　111

8.1　基本细胞自动机　112

8.2　康威的《生命游戏》　116

8.3　演化自己的细胞自动机　121

理解合并物理学　125

8.4　本章小结　129

第　9 章 人工生命　130

9.1　里程碑 1：绘制植物　131

9.2　里程碑 2：创建植物生长动画　134

9.3　里程碑 3：演化植物　140

给植物计分　141

9.4　本章小结　142

第　10 章 建模　144

10.1　Kaggle 竞赛　145

10.2　里程碑 1：整理数据　148

10.3　里程碑 2：建立模型　152

10.4　里程碑 3：提交测试回复　156

10.5　本章小结　157

附录　A 示例代码使用说明　159

参考资料　166

《人工智能算法 卷3 深度学习和神经网络（全彩印刷）》

第 1 章　神经网络基础  1

1.1　神经元和层　2

1.2　神经元的类型　5

1.3　激活函数　10

1.4　修正线性单元（ReLU）13

1.5　神经网络逻辑　19

1.6　本章小结　22

第　2 章 自组织映射　23

2.1　自组织映射　24

2.2　本章小结　33

第　3 章 Hopfield 网络和玻尔兹曼机34

3.1　Hopfield 神经网络　34

3.2　Hopfield-Tank 网络　41

3.3　玻尔兹曼机　42

3.4　应用玻尔兹曼机　45

3.5　本章小结　51

第　4 章 前馈神经网络　53

4.1　前馈神经网络结构　54

4.2　计算输出　56

4.3　初始化权重　60

4.4　径向基函数网络　63

4.5　规范化数据　67

4.6　本章小结　75

第　5 章 训练与评估　77

5.1　评估分类　78

5.2　评估回归　88

5.3　模拟退火训练　89

5.4　本章小结　92

第　6 章 反向传播训练　93

6.1　理解梯度　93

6.2　计算输出节点增量　98

6.3　计算剩余节点增量　99

6.4　激活函数的导数　100

6.5　应用反向传播　103

6.6　本章小结　108

第　7 章 其他传播训练　110

7.1　弹性传播　110

7.2　RPROP 参数　111

7.3　数据结构　113

7.4　理解 RPROP　114

7.5　Levenberg-Marquardt 算法　116

7.6　Hessian 矩阵的计算　119

7.7　具有多个输出的 LMA　120

7.8　LMA 过程概述　122

7.9　本章小结　122

第　8 章 NEAT，CPPN 和 HyperNEAT　124

8.1　NEAT 网络　125

8.2　CPPN 网络　134

8.3　HyperNEAT 网络　138

8.4　本章小结　142

第　9 章 深度学习　143

9.1　深度学习组件　143

9.2　部分标记的数据　144

9.3　修正线性单元　145

9.4　卷积神经网络　145

9.5　神经元 Dropout　146

9.6　GPU 训练　147

9.7　深度学习工具　149

9.8　深度信念神经网络　152

9.9　本章小结　164

第　10 章 卷积神经网络　165

10.1　LeNET-5　166

10.2　卷积层　168

10.3　最大池层　170

10.4　稠密层　172

10.5　针对 MNIST 数据集的 ConvNets　172

10.6　本章小结　174

第　11 章 剪枝和模型选择　175

11.1　理解剪枝　176

11.2　剪枝算法　177

11.3　模型选择　179

11.4　本章小结　185

第　12 章 Dropout 和正则化　186

12.1　L1 和 L2 正则化　187

12.2　Dropout 层　190

12.3　使用 Dropout　194

12.4　本章小结　195

第　13 章 时间序列和循环网络　197

13.1　时间序列编码　198

13.2　简单循环神经网络　204

13.3　本章小结　213

第　14 章 架构神经网络　214

14.1　评估神经网络　215

14.2　训练参数　215

14.3　常规超参数　220

14.4　LeNet-5 超参数　223

14.5　本章小结　224

第　15 章 可视化　226

15.1　混淆矩阵　227

15.2　t-SNE 降维　229

15.3　本章小结　236

第　16 章 用神经网络建模　237

16.0.1　挑战赛的经验　241

16.0.2　挑战赛取胜的方法　242

16.0.3　我们在挑战赛中的方法　244

16.1　用深度学习建模　245

16.2　本章小结　250

附录　A 示例代码使用说明　252

A.1　系列图书简介　252

A.2　保持更新　252

A.3　获取示例代码　253

A.3.1　下载压缩文件　253

A.3.2　克隆 Git 仓库　254

A.4　示例代码的内容　255

A.5　如何为项目做贡献　257

参考资料　259