《深入淺出AI算法：基礎概覽》呂磊『EPUB電子書下載』

內容簡介

《深入淺出AI算法：基礎概覽》從理論到實踐，循序漸進地介紹了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。本書內容共8章，包括算法的歷史背景與基本概念、算法相關的數學基礎知識、信息學算法與數據結構相關的概念與知識，以及業界常用的機器學習算法。同時，本書還介紹了算法工程的組成部分，以及一個典型的算法工程實踐項目，手把手帶領讀者體驗算法的魅力。本書還介紹了人工智能算法的三大研究方向，幫助讀者邁向AI算法的進階學習之路。

《深入淺出AI算法：基礎概覽》每一章的內容都采用了“總分總”形式，並且在章節末尾提煉出該章的核心關鍵詞，方便讀者進一步查詢回顧。其中，第2章～第7章配有若幹代表性的思考題，幫助讀者鞏固章節所學知識。

《深入淺出AI算法：基礎概覽》適合從事與人工智能相關的工程技術人員和高等院校相關專業的學生，以及在AI領域就業一兩年以內的職場人士閱讀

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係，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

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概率分布 /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數組與鏈表 /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在線評測係統 /80
3.3.1LeetCode /81
3.3.2POJ與ZOJ /82
3.3.3Tsinsen /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特征工程 /141
5.2.1數據預處理 /141
5.2.2特征分類 /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模型托管 /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
6.2.1scikit-learn /171
6.2.2TensorFlow /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特征工程 /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
6.5.1Kaggle /191
6.5.2KDDCup /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
······