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
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。
本书深入浅出话AI，将看似高深莫测的AI技术抽丝剥茧、化繁为简，娓娓道来。
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。
本书每章的末尾提炼出了该章的核心关键词，方便读者查询回顾。
归纳和总结出AI基础学习路径，让感兴趣的“门外汉”学习人工智能是什么、做什么及怎么做。
AI是一项具有历史性意义的革命技术，了解人工智能，了解新时代计算机技术发展趋势对每一位时代新人都具有深远意义。在作者的缜密逻辑下，本书深入浅出话AI，将看似高深莫测的AI技术抽丝剥茧、化繁为简，可帮助读者破解AI奥秘。
黄 山
Mathlab联合创始人
在人工智能愈发被普通大众所了解，各国政府大力投入人工智能领域研究的今天，《深入浅出AI算法：基础概览》作者结合自身从业经验，归纳和总结出人工智能基础学习路径，引导读者从理论到实践，让感兴趣的“门外汉”学习人工智能是什么、做什么及怎么做。本书是一本介于科普图书与专业图书之间的上乘之作。
张亚雄
互联网连续创业者
我与作者熟识多年，作者无疑是喜欢且善于思考和总结的。本书立意新颖，以算法为主线，深入浅出、循序渐进地介绍了算法的相关基础知识并拓展至AI算法，同时融入了作者的思考和多年互联网一线工程实践的经验，值得一读。
王雪岩
清华大学博士，北京航空航天大学“卓越百人”博士后
能在繁忙的工作之余写作出书的人不多，《深入浅出AI算法：基础概览》一书展现了作者对算法世界清晰、完整的见解，值得同行借鉴。
郭 乐
阿里巴巴高级算法专家
《深入浅出AI算法：基础概览》一书用浅显易懂的语言为读者构建了AI算法的完整知识体系，同时结合了作者多年的一线算法工作经验，将理论和实践相结合，可以给入门者起到很好的引导作用，非常值得阅读。
魏凯峰
《MXNet深度学习实战》图书作者，网易资深算法工程师
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、算法之武功秘籍、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。
"《深入浅出AI算法：基础概览》从介绍算法是什么开始，包括发展简史和目前与算法有关的职位和领域，循序渐进地帮助读者敲开算法的大门。 《深入浅出AI算法：基础概览》通过列举与生活息息相关的例子，对其中的一些概念进行直观讲述。 《深入浅出AI算法：基础概览》的章节标题运用了武侠小说中的“内力”“招式”“武功秘籍”，分别对应数学基础、信息学算法和机器学习算法，生动有趣。 《深入浅出AI算法：基础概览》每章的内容都采用“总分总”形式，并且在章节末尾提炼出核心关键词，方便读者进一步查询回顾。"
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
