深入浅出AI算法：基础概览

　　本书从理论到实践，循序渐进地介绍人工智能算法的基础知识，帮助读者敲开人工智能算法之门。本书共有8 章，分别为算法入门、算法之内力、算法之招式、算法之****、算法工程的组成部分、算法工程实战、进阶学习、思考与展望。本书主要讲解算法的历史背景与基本概念、与算法相关的数学基础知识、信息学算法与数据结构的概念与知识点、业界常用的几类机器学习算法模型；本书还会介绍算法工程比较完整的组成部分，以及一个典型的算法工程项目，手把手带领读者体验算法的魅力；此外，本书会介绍人工智能算法的三大研究方向，帮读者迈向进阶学习之路。本书适合从事人工智能应用实践的科研人员和工程技术人员阅读，也适合高等院校计算机科学与技术、人工智能、大数据等相关专业的本科生和研究生阅读。

　　吕磊微软（中国）软件工程师。本硕毕业于山东大学计算机科学与技术系，具有多年算法从业经验，曾先后在京东广告部、蚂蚁金服人工智能部、亚马逊AWS（中国）的AI产品相关部门从事算法工作，在工业界有着丰富的AI算法落地经验。

目录
第1章  算法入门 / 1
1．1   打开算法之门 / 2
1．1．1  算法简史 / 2
1．1．2  算法与人工智能 / 5
1．1．3  什么是数据分析 / 6
1．1．4  什么是数据挖掘 / 6
1．1．5  什么是机器学习 / 7
1．2   如何学习算法 / 8
1．3   本书结构 / 9
关键词回顾 / 10

第2章  算法之内力 / 11
2．1   线性代数 / 12
2．1．1  名词解释 / 13
2．1．2  向量和矩阵 / 13
2．2   排列组合 / 19
2．3   高等数学 / 20
2．3．1  导数 / 20
2．3．2  梯度 / 23
2．4   概率与统计 / 23
2．4．1  名词解释 / 23
2．4．2  概率分布 / 26
2．5   最优化原理 / 33
2．6   动脑时刻 / 34
2．7   本章小结 / 35
关键词回顾 / 36

第3章  算法之招式 / 37
3．1   数据结构 / 38
3．1．1  数组与链表 / 38
3．1．2  队列和栈 / 40
3．1．3  树 / 41
3．1．4  图 / 43
3．1．5  散列表 / 45
3．2   基础算法 / 46
3．2．1  排序 / 47
3．2．2  递归与分治 / 55
3．2．3  贪婪算法和动态规划 / 57
3．2．4  搜索 / 60
3．2．5  最短路径 / 61
3．2．6  最小生成树 / 65
3．2．7  树状数组 / 67
3．2．8  线段树 / 69
3．2．9  平衡二叉树 / 72
3．2．10  并查集 / 75
3．2．11  匈牙利算法 / 78
3．3   在线评测系统 / 80
3．3．1  LeetCode / 81
3．3．2  POJ与ZOJ / 82
3．3．3  Tsinsen / 82
3．4   动脑时刻 / 83
3．5   本章小结 / 83
关键词回顾 / 84

第4章  算法之武功秘籍 / 85
4．1   类别划分 / 86
4．1．1  按是否有监督信号划分 / 86
4．1．2  按学习目标划分 / 89
4．2   线性回归模型与逻辑回归模型 / 90
4．2．1  线性回归模型 / 90
4．2．2  逻辑回归模型 / 92
4．3   人工神经网络 / 95
4．3．1  初识人工神经网络 / 95
4．3．2  深度神经网络 / 97
4．3．3  卷积神经网络 / 99
4．3．4  递归神经网络 / 102
4．3．5  图神经网络 / 104
4．4   决策树 / 106
4．4．1  概念与方法 / 106
4．4．2  剪枝 / 109
4．4．3  梯度提升决策树 / 110
4．4．4  随机森林 / 112
4．5   聚类 / 113
4．5．1  距离度量 / 114
4．5．2  划分聚类 / 115
4．5．3  层次聚类 / 116
4．5．4  密度聚类 / 117
4．5．5  模型聚类 / 119
4．6   贝叶斯分类 / 121
4．6．1  概率基础 / 121
4．6．2  朴素贝叶斯分类 / 124
4．7   支持向量机 / 125
4．8   动脑时刻 / 128
4．9   本章小结 / 129
关键词回顾 / 129

第5章  算法工程的组成部分 / 133
5．1   数据分析 / 134
5．1．1  宏观把握数据 / 134
5．1．2  微观感受数据 / 137
5．1．3  分析方法 / 139
5．2   特征工程 / 141
5．2．1  数据预处理 / 141
5．2．2  特征分类 / 142
5．2．3  工程技巧 / 142
5．3   建模与调参 / 149
5．3．1  建模 / 150
5．3．2  调参 / 150
5．4   效果评估 / 151
5．4．1  数据集划分 / 151
5．4．2  评估指标 / 152
5．4．3  直观理解AUC / 155
5．5   模型托管 / 159
5．6   动脑时刻 / 160
5．7   本章小结 / 160
关键词回顾 / 161
第6章  算法工程实战 / 163
6．1   环境准备 / 164
6．1．1  设备配置 / 164
6．1．2  环境搭建 / 165
6．1．3  开发工具 / 167
6．1．4  基础调试 / 168
6．2   开源算法库 / 170
6．2．1  scikit-learn / 171
6．2．2  TensorFlow / 172
6．3   算法实践 / 174
6．3．1  线性回归模型 / 174
6．3．2  神经网络模型 / 179
6．4   工程实战 / 182
6．4．1  数据准备 / 182
6．4．2  数据分析 / 184
6．4．3  特征工程 / 188
6．4．4  模型训练 / 189
6．4．5  模型的保存与载入 / 190
6．5   算法竞赛介绍 / 191
6．5．1  Kaggle / 191
6．5．2  KDD Cup / 191
6．6   动脑时刻 / 192
6．7   本章小结 / 192
关键词回顾 / 193

第7章  进阶学习 / 195
7．1   深度学习 / 196
7．1．1  起源 / 196
7．1．2  难点与方法 / 197
7．1．3  经典模型：AlexNet / 201
7．2   强化学习 / 203
7．2．1  起源 / 203
7．2．2  流派与分类 / 204
7．2．3  经典案例：AlphaGo / 206
7．3   迁移学习 / 213
7．3．1  简介 / 213
7．3．2  方法与研究方向 / 214
7．3．3  经典模型：TrAdaBoost / 215
7．4   动脑时刻 / 216
7．5   本章小结 / 217
关键词回顾 / 217

第8章  思考与展望 / 219
8．1   思考 / 220
8．1．1  人工智能感悟 / 220
8．1．2  万物数据化 / 221
8．2   展望 / 224
8．2．1  人工智能最终能做什么 / 224
8．2．2  人类最终能做什么 / 224
8．3   本章小结 / 225