深入淺出AI算法：基礎(chǔ)概覽

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  什么是數(shù)據(jù)分析 / 6
1．1．4  什么是數(shù)據(jù)挖掘 / 6
1．1．5  什么是機(jī)器學(xué)習(xí) / 7
1．2   如何學(xué)習(xí)算法 / 8
1．3   本書結(jié)構(gòu) / 9
關(guān)鍵詞回顧 / 10

第2章  算法之內(nèi)力 / 11
2．1   線性代數(shù) / 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(shù)學(xué) / 20
2．3．1  導(dǎo)數(shù) / 20
2．3．2  梯度 / 23
2．4   概率與統(tǒng)計(jì) / 23
2．4．1  名詞解釋 / 23
2．4．2  概率分布 / 26
2．5   最優(yōu)化原理 / 33
2．6   動(dòng)腦時(shí)刻 / 34
2．7   本章小結(jié) / 35
關(guān)鍵詞回顧 / 36

第3章  算法之招式 / 37
3．1   數(shù)據(jù)結(jié)構(gòu) / 38
3．1．1  數(shù)組與鏈表 / 38
3．1．2  隊(duì)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(chǔ)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(dòng)態(tài)規(guī)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(shù)組 / 67
3．2．8  線段樹 / 69
3．2．9  平衡二叉樹 / 72
3．2．10  并查集 / 75
3．2．11  匈牙利算法 / 78
3．3   在線評(píng)測(cè)系統(tǒng) / 80
3．3．1  LeetCode / 81
3．3．2  POJ與ZOJ / 82
3．3．3  Tsinsen / 82
3．4   動(dòng)腦時(shí)刻 / 83
3．5   本章小結(jié) / 83
關(guān)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(jiān)督信號(hào)劃分 / 86
4．1．2  按學(xué)習(xí)目標(biāo)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(jīng)網(wǎng)絡(luò) / 95
4．3．1  初識(shí)人工神經(jīng)網(wǎng)絡(luò) / 95
4．3．2  深度神經(jīng)網(wǎng)絡(luò) / 97
4．3．3  卷積神經(jīng)網(wǎng)絡(luò) / 99
4．3．4  遞歸神經(jīng)網(wǎng)絡(luò) / 102
4．3．5  圖神經(jīng)網(wǎng)絡(luò) / 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(jī)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(chǔ) / 121
4．6．2  樸素貝葉斯分類 / 124
4．7   支持向量機(jī) / 125
4．8   動(dòng)腦時(shí)刻 / 128
4．9   本章小結(jié) / 129
關(guān)鍵詞回顧 / 129

第5章  算法工程的組成部分 / 133
5．1   數(shù)據(jù)分析 / 134
5．1．1  宏觀把握數(shù)據(jù) / 134
5．1．2  微觀感受數(shù)據(jù) / 137
5．1．3  分析方法 / 139
5．2   特征工程 / 141
5．2．1  數(shù)據(jù)預(yù)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(diào)參 / 149
5．3．1  建模 / 150
5．3．2  調(diào)參 / 150
5．4   效果評(píng)估 / 151
5．4．1  數(shù)據(jù)集劃分 / 151
5．4．2  評(píng)估指標(biāo) / 152
5．4．3  直觀理解AUC / 155
5．5   模型托管 / 159
5．6   動(dòng)腦時(shí)刻 / 160
5．7   本章小結(jié) / 160
關(guān)鍵詞回顧 / 161
第6章  算法工程實(shí)戰(zhàn) / 163
6．1   環(huán)境準(zhǔn)備 / 164
6．1．1  設(shè)備配置 / 164
6．1．2  環(huán)境搭建 / 165
6．1．3  開發(fā)工具 / 167
6．1．4  基礎(chǔ)調(diào)試 / 168
6．2   開源算法庫 / 170
6．2．1  scikit-learn / 171
6．2．2  TensorFlow / 172
6．3   算法實(shí)踐 / 174
6．3．1  線性回歸模型 / 174
6．3．2  神經(jīng)網(wǎng)絡(luò)模型 / 179
6．4   工程實(shí)戰(zhàn) / 182
6．4．1  數(shù)據(jù)準(zhǔn)備 / 182
6．4．2  數(shù)據(jù)分析 / 184
6．4．3  特征工程 / 188
6．4．4  模型訓(xùn)練 / 189
6．4．5  模型的保存與載入 / 190
6．5   算法競賽介紹 / 191
6．5．1  Kaggle / 191
6．5．2  KDD Cup / 191
6．6   動(dòng)腦時(shí)刻 / 192
6．7   本章小結(jié) / 192
關(guān)鍵詞回顧 / 193

第7章  進(jìn)階學(xué)習(xí) / 195
7．1   深度學(xué)習(xí) / 196
7．1．1  起源 / 196
7．1．2  難點(diǎn)與方法 / 197
7．1．3  經(jīng)典模型：AlexNet / 201
7．2   強(qiáng)化學(xué)習(xí) / 203
7．2．1  起源 / 203
7．2．2  流派與分類 / 204
7．2．3  經(jīng)典案例：AlphaGo / 206
7．3   遷移學(xué)習(xí) / 213
7．3．1  簡介 / 213
7．3．2  方法與研究方向 / 214
7．3．3  經(jīng)典模型：TrAdaBoost / 215
7．4   動(dòng)腦時(shí)刻 / 216
7．5   本章小結(jié) / 217
關(guān)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(shù)據(jù)化 / 221
8．2   展望 / 224
8．2．1  人工智能最終能做什么 / 224
8．2．2  人類最終能做什么 / 224
8．3   本章小結(jié) / 225