书籍详情

深入浅出AI算法:基础概览

深入浅出AI算法:基础概览

作者:吕磊

出版社:电子工业出版社

出版时间:2021-07-01

ISBN:9787121415517

定价:¥89.00

购买这本书可以去
内容简介
  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。
作者简介
  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

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

猜您喜欢

读书导航