深入浅出AI算法：基础概览

定　价：¥89.00

作　者：	吕磊
出版社：	电子工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787121415517	出版时间：	2021-07-01	包装：
开本：	16开	页数：	244	字数：

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。

图书目录

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