深入浅出AI算法：基础概览

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