导语

  

内容提要

  

    本书从理论到实践，循序渐进地介绍了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。本书内容共8章，包括算法的历史背景与基本概念、算法相关的数学基础知识、信息学算法与数据结构相关的概念与知识，以及业界常用的机器学习算法。同时，本书还介绍了算法工程的组成部分，以及一个典型的算法工程实践项目，手把手带领读者体验算法的魅力。本书还介绍了人工智能算法的三大研究方向，帮助读者迈向AI算法的进阶学习之路。
    本书每一章的内容都采用了“总分总”形式，并且在章节末尾提炼出该章的核心关键词，方便读者进一步查询回顾。其中，第2章～第7章配有若干代表性的思考题，帮助读者巩固章节所学知识。
    本书适合从事与人工智能相关的工程技术人员和高等院校相关专业的学生，以及在AI领域就业一两年以内的职场人士阅读。

    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。

第1章  算法入门
  1.1  打开算法之门
    1.1.1  算法简史
    1.1.2  算法与人工智能
    1.1.3  什么是数据分析
    1.1.4  什么是数据挖掘
    1.1.5  什么是机器学习
  1.2  如何学习算法
  1.3  本书结构
  关键词回顾
第2章  算法之内力
  2.1  线性代数
    2.1.1  名词解释
    2.1.2  向量和矩阵
  2.2  排列组合
  2.3  高等数学
    2.3.1  导数
    2.3.2  梯度
  2.4  概率与统计
    2.4.1  名词解释
    2.4.2  概率分布
  2.5  最优化原理
  2.6  动脑时刻
  2.7  本章小结
  关键词回顾
第3章  算法之招式
  3.1  数据结构
    3.1.1  数组与链表
    3.1.2  队列和栈
    3.1.3  树
    3.1.4  图
    3.1.5  散列表
  3.2  基础算法
    3.2.1  排序
    3.2.2  递归与分治
    3.2.3  贪婪算法和动态规划
    3.2.4  搜索
    3.2.5  最短路径
    3.2.6  最小生成树
    3.2.7  树状数组
    3.2.8  线段树
    3.2.9  平衡二叉树
    3.2.10  并查集
    3.2.11  匈牙利算法
  3.3  在线评测系统
    3.3.1  LeetCode
    3.3.2  POJ与ZOJ
    3.3.3  Tsinsen
  3.4  动脑时刻
  3.5  本章小结
  关键词回顾
第4章  算法之武功秘籍
  4.1  类别划分
    4.1.1  按是否有监督信号划分
    4.1.2  按学习目标划分
  4.2  线性回归模型与逻辑回归模型
    4.2.1  线性回归模型
    4.2.2  逻辑回归模型
  4.3  人工神经网络
    4.3.1  初识人工神经网络
    4.3.2  深度神经网络
    4.3.3  卷积神经网络
    4.3.4  递归神经网络
    4.3.5  图神经网络
  4.4  决策树
    4.4.1  概念与方法
    4.4.2  剪枝
    4.4.3  梯度提升决策树
    4.4.4  随机森林
  4.5  聚类
    4.5.1  距离度量
    4.5.2  划分聚类
    4.5.3  层次聚类
    4.5.4  密度聚类
    4.5.5  模型聚类
  4.6  贝叶斯分类
    4.6.1  概率基础
    4.6.2  朴素贝叶斯分类
  4.7  支持向量机
  4.8  动脑时刻
  4.9  本章小结
  关键词回顾
第5章  算法工程的组成部分
  5.1  数据分析
    5.1.1  宏观把握数据
    5.1.2  微观感受数据
    5.1.3  分析方法
  5.2  特征工程
    5.2.1  数据预处理
    5.2.2  特征分类
    5.2.3  工程技巧
  5.3  建模与调参
    5.3.1  建模
    5.3.2  调参
  5.4  效果评估
    5.4.1  数据集划分
    5.4.2  评估指标
    5.4.3  直观理解AUC
  5.5  模型托管
  5.6  动脑时刻
  5.7  本章小结
  关键词回顾
第6章  算法工程实战
  6.1  环境准备
    6.1.1  设备配置
    6.1.2  环境搭建
    6.1.3  开发工具
    6.1.4  基础调试
  6.2  开源算法库
    6.2.1  scikit-learn
    6.2.2  TensorFlow
  6.3  算法实践
    6.3.1  线性回归模型
    6.3.2  神经网络模型
  6.4  工程实战
    6.4.1  数据准备
    6.4.2  数据分析
    6.4.3  特征工程
    6.4.4  模型训练
    6.4.5  模型的保存与载入
  6.5  算法竞赛介绍
    6.5.1  Kaggle
    6.5.2  KDD Cup
  6.6  动脑时刻
  6.7  本章小结
  关键词回顾
第7章  进阶学习
  7.1  深度学习
    7.1.1  起源
    7.1.2  难点与方法
    7.1.3  经典模型：AlexNet
  7.2  强化学习
    7.2.1  起源
    7.2.2  流派与分类
    7.2.3  经典案例：AlphaGo
  7.3  迁移学习
    7.3.1  简介
    7.3.2  方法与研究方向
    7.3.3  经典模型：TrAdaBoost
  7.4  动脑时刻
  7.5  本章小结
  关键词回顾
第8章  思考与展望
  8.1  思考
    8.1.1  人工智能感悟
    8.1.2  万物数据化
  8.2  展望
    8.2.1  人工智能最终能做什么
    8.2.2  人类最终能做什么
  8.3  本章小结