人工智能算法圖解

第1章  人工智能初印象   1

1.1  什么是人工智能？   1

1.1.1  定義AI   2

1.1.2  理解數(shù)據(jù)是智能算法的核心   3

1.1.3  把算法看作“菜譜”   4

1.2  人工智能簡(jiǎn)史   6

1.3  問(wèn)題類(lèi)型與問(wèn)題解決范式   7

1.4  人工智能概念的直觀印象   9

1.5  人工智能算法的用途   13

1.5.1  農(nóng)業(yè)：植物種植優(yōu)化   13

1.5.2  銀行業(yè)：欺詐檢測(cè)   14

1.5.3  網(wǎng)絡(luò)安全：攻擊檢測(cè)與處理   14

1.5.4  醫(yī)療：智能診斷   14

1.5.5  物流：路徑規(guī)劃與優(yōu)化   15

1.5.6  通信：網(wǎng)絡(luò)優(yōu)化   16

1.5.7  游戲：主體創(chuàng)造   16

1.5.8  藝術(shù)：創(chuàng)造杰出作品   17

1.6  本章小結(jié)   17

第2章  搜索算法基礎(chǔ)   21

2.1  什么是規(guī)劃與搜索？   21

2.2  計(jì)算成本：需要智能算法的原因   23

2.3  適合用搜索算法的問(wèn)題   24

2.4  表示狀態(tài)：創(chuàng)建一個(gè)表示問(wèn)題空間與解的框架   26

2.4.1  圖：表示搜索問(wèn)題與解   28

2.4.2  用具體的數(shù)據(jù)結(jié)構(gòu)表示圖   28

2.4.3  樹(shù)：表示搜索結(jié)果的具體結(jié)構(gòu)   29

2.5  無(wú)知搜索：盲目地找尋解   31

2.6  廣度優(yōu)先搜索：先看廣度，再看深度   33

2.7  深度優(yōu)先搜索：先看深度，再看廣度   39

2.8  盲目搜索算法的用例   45

2.9  可選：關(guān)于圖的類(lèi)別   46

2.10  可選：其他表示圖的方法   47

2.10.1  關(guān)聯(lián)矩陣   47

2.10.2  鄰接表   48

2.11  本章小結(jié)   48

第3章  智能搜索   51

3.1  定義啟發(fā)式方法：設(shè)計(jì)有根據(jù)的猜測(cè)   51

3.2  知情搜索：在指導(dǎo)下尋求解決方案   54

3.2.1  A*搜索   54

3.2.2  知情搜索算法的用例   61

3.3  對(duì)抗性搜索：在不斷變化的環(huán)境中尋找解決方案   62

3.3.1  一個(gè)簡(jiǎn)單的對(duì)抗性問(wèn)題   62

3.3.2  最小-最大搜索：模擬行動(dòng)并選擇最好的未來(lái)   63

3.3.3  啟發(fā)式   64

3.3.4  阿爾法-貝塔剪枝：僅探索合理的路徑   72

3.3.5  對(duì)抗搜索算法的典型案例   75

3.4  本章小結(jié)   75

第4章  進(jìn)化算法   77

4.1  什么是進(jìn)化？   77

4.2  適合用進(jìn)化算法的問(wèn)題   80

4.3  遺傳算法的生命周期   84

4.4  對(duì)解空間進(jìn)行編碼   86

4.5  創(chuàng)建解決方案種群   89

4.6  衡量種群中個(gè)體的適應(yīng)度   91

4.7  根據(jù)適應(yīng)度得分篩選親本   93

4.8  由親本繁殖個(gè)體   96

4.8.1  單點(diǎn)交叉：從每個(gè)親本繼承一部分   97

4.8.2  兩點(diǎn)交叉：從每個(gè)親本繼承多個(gè)部分   98

4.8.3  均勻交叉：從每個(gè)親本繼承多個(gè)部分   98

4.8.4  二進(jìn)制編碼的位串突變   100

4.8.5  二進(jìn)制編碼的翻轉(zhuǎn)位突變   101

4.9  繁衍下一代   101

4.9.1  探索與挖掘   102

4.9.2  停止條件   102

4.10  遺傳算法的參數(shù)配置   104

4.11  進(jìn)化算法的用例   105

4.12  本章小結(jié)   105

第5章  進(jìn)化算法(高級(jí)篇)   107

5.1  進(jìn)化算法的生命周期   107

5.2  其他篩選策略   109

5.2.1  排序篩選法：均分賽場(chǎng)   109

5.2.2  聯(lián)賽篩選法：分組對(duì)抗   110

5.2.3  精英篩選法：只選最好的   111

5.3  實(shí)值編碼：處理真實(shí)數(shù)值   111

5.3.1  實(shí)值編碼的核心概念   112

5.3.2  算術(shù)交叉：數(shù)學(xué)化繁殖   113

5.3.3  邊界突變   113

5.3.4  算術(shù)突變   114

5.4  順序編碼：處理序列   114

5.4.1  適應(yīng)度函數(shù)的重要性   116

5.4.2  順序編碼的核心概念   116

5.4.3  順序突變：適用于順序編碼   116

5.5  樹(shù)編碼：處理層次結(jié)構(gòu)   117

5.5.1  樹(shù)編碼的核心概念   118

5.5.2  樹(shù)交叉：繼承樹(shù)的分支   119

5.5.3  節(jié)點(diǎn)突變：更改節(jié)點(diǎn)的值   120

5.6  常見(jiàn)進(jìn)化算法   120

5.6.1  遺傳編程   120

5.6.2  進(jìn)化編程   121

5.7  進(jìn)化算法術(shù)語(yǔ)表   121

5.8  進(jìn)化算法的其他用例   121

5.9  本章小結(jié)   122

第6章  群體智能：蟻群優(yōu)化   125

6.1  什么是群體智能？   125

6.2  適合用蟻群優(yōu)化算法的問(wèn)題   127

6.3  狀態(tài)表達(dá)：如何表達(dá)螞蟻和路徑？   130

6.4  蟻群優(yōu)化算法的生命周期   134

6.4.1  初始化信息素印跡   135

6.4.2  建立螞蟻種群   136

6.4.3  為螞蟻選擇下一個(gè)訪(fǎng)問(wèn)項(xiàng)目   138

6.4.4  更新信息素印跡   145

6.4.5  更新最佳解決方案   149

6.4.6  確定終止條件   150

6.5  蟻群優(yōu)化算法的用例   152

6.6  本章小結(jié)   153

第7章  群體智能：粒子群優(yōu)化   155

7.1  什么是粒子群優(yōu)化？   155

7.2  優(yōu)化問(wèn)題：略偏技術(shù)性的觀點(diǎn)   157

7.3  適合用粒子群優(yōu)化算法的問(wèn)題   160

7.4  狀態(tài)表達(dá)：粒子是什么樣的？   162

7.5  粒子群優(yōu)化的生命周期   163

7.5.1  初始化粒子群   164

7.5.2  計(jì)算粒子的適應(yīng)度   166

7.5.3  更新粒子的位置   169

7.5.4  確定終止條件   180

7.6  粒子群優(yōu)化算法的用例   181

7.7  本章小結(jié)   183

第8章  機(jī)器學(xué)習(xí)   185

8.1  什么是機(jī)器學(xué)習(xí)？   185

8.2  適合用機(jī)器學(xué)習(xí)的問(wèn)題   187

8.2.1  監(jiān)督學(xué)習(xí)   188

8.2.2  非監(jiān)督學(xué)習(xí)   188

8.2.3  強(qiáng)化學(xué)習(xí)   188

8.3  機(jī)器學(xué)習(xí)的工作流程   188

8.3.1  收集和理解數(shù)據(jù)：掌握數(shù)據(jù)背景   189

8.3.2  準(zhǔn)備數(shù)據(jù)：清洗和整理   191

8.3.3  訓(xùn)練模型：用線(xiàn)性回歸預(yù)測(cè)   196

8.3.4  測(cè)試模型：驗(yàn)證模型精度   205

8.3.5  提高準(zhǔn)確性   208

8.4  分類(lèi)問(wèn)題：決策樹(shù)   210

8.4.1  分類(lèi)問(wèn)題：非此即彼   210

8.4.2  決策樹(shù)的基礎(chǔ)知識(shí)   211

8.4.3  訓(xùn)練決策樹(shù)   213

8.4.4  用決策樹(shù)對(duì)實(shí)例進(jìn)行分類(lèi)   223

8.5  其他常見(jiàn)的機(jī)器學(xué)習(xí)算法   226

8.6  機(jī)器學(xué)習(xí)算法的用例   227

8.7  本章小結(jié)   228

第9章  人工神經(jīng)網(wǎng)絡(luò)   231

9.1  什么是人工神經(jīng)網(wǎng)絡(luò)？   231

9.2  感知器：表征神經(jīng)元   234

9.3  定義人工神經(jīng)網(wǎng)絡(luò)   237

9.4  前向傳播：使用訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)   243

9.5  反向傳播：訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)   250

9.6  激活函數(shù)一覽   259

9.7  設(shè)計(jì)人工神經(jīng)網(wǎng)絡(luò)   260

9.8  人工神經(jīng)網(wǎng)絡(luò)的類(lèi)型和用例   263

9.8.1  卷積神經(jīng)網(wǎng)絡(luò)   263

9.8.2  遞歸神經(jīng)網(wǎng)絡(luò)   264

9.8.3  生成對(duì)抗網(wǎng)絡(luò)   264 

9.9  本章小結(jié)   266

第10章  基于Q-learning的強(qiáng)化學(xué)習(xí)   269

10.1  什么是強(qiáng)化學(xué)習(xí)？   269

10.2  適合用強(qiáng)化學(xué)習(xí)的問(wèn)題   272

10.3  強(qiáng)化學(xué)習(xí)的生命周期   273

10.3.1  模擬與數(shù)據(jù)：環(huán)境重現(xiàn)   274

10.3.2  使用Q-learning模擬訓(xùn)練   278

10.3.3  模擬并測(cè)試Q表   287

10.3.4  衡量訓(xùn)練的性能   287

10.3.5  無(wú)模型和基于模型的學(xué)習(xí)   288

10.4  強(qiáng)化學(xué)習(xí)的深度學(xué)習(xí)方法   289

10.5  強(qiáng)化學(xué)習(xí)的用例   289

10.5.1  機(jī)器人技術(shù)   290

10.5.2  推薦引擎   290

10.5.3  金融貿(mào)易   290

10.5.4  電子游戲   291

10.6  本章小結(jié)   291