深入浅出AI算法：基础概览 pdf下载

基本信息

• 商品名称：深入浅出AI算法：基础概览
• 作者：吕磊
• 定价：89
• 出版社：电子工业
• 书号：9787121415517

其他参考信息（以实物为准）

• 出版时间：2021-07-01
• 印刷时间：2021-07-01
• 版次：1
• 印次：1
• 开本：
• 包装：平装
• 页数：225
• 字数：317千字

内容提要

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、 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。

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 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 短路径/ 61
3.2.6 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 / 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 终能做什么/ 224
8.2.2 人类 终能做什么/ 224
8.3 本章小结/ 225