中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深入淺出AI算法:基礎概覽 版權信息
- ISBN：9787121415517
- 條形碼：9787121415517 ; 978-7-121-41551-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深入淺出AI算法:基礎概覽 本書特色
√ 本書深入淺出話AI，將看似高深莫測的AI技術抽絲剝繭、化繁為簡，娓娓道來。 √ 本書從理論到實踐，循序漸進地介紹了人工智能算法的基礎知識。 √ 本書每章的末尾提煉出了該章的核心關鍵詞，方便讀者查詢回顧。 √ 歸納和總結出AI基礎學習路徑，讓感興趣的“門外漢”學習人工智能是什么、做什么及怎么做。
深入淺出AI算法:基礎概覽 內容簡介
本書從理論到實踐，循序漸進地介紹人工智能算法的基礎知識，幫助讀者敲開人工智能算法之門。本書共有8 章，分別為算法入門、算法之內力、算法之招式、算法之武功秘籍、算法工程的組成部分、算法工程實戰、進階學習、思考與展望。本書主要講解算法的歷史背景與基本概念、與算法相關的數學基礎知識、信息學算法與數據結構的概念與知識點、業界常用的幾類機器學習算法模型；本書還會介紹算法工程比較完整的組成部分，以及一個典型的算法工程項目，手把手帶領讀者體驗算法的魅力；此外，本書會介紹人工智能算法的三大研究方向，幫讀者邁向進階學習之路。本書適合從事人工智能應用實踐的科研人員和工程技術人員閱讀，也適合高等院校計算機科學與技術、人工智能、大數據等相關專業的本科生和研究生閱讀。
深入淺出AI算法:基礎概覽 目錄
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 什么是數據分析 / 6
1．1．4 什么是數據挖掘 / 6
1．1．5 什么是機器學習 / 7
1．2 如何學習算法 / 8
1．3 本書結構 / 9
關鍵詞回顧 / 10
第2章 算法之內力 / 11
2．1 線性代數 / 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 高等數學 / 20
2．3．1 導數 / 20
2．3．2 梯度 / 23
2．4 概率與統計 / 23
2．4．1 名詞解釋 / 23
2．4．2 概率分布 / 26
2．5 *優化原理 / 33
2．6 動腦時刻 / 34
2．7 本章小結 / 35
關鍵詞回顧 / 36
第3章 算法之招式 / 37
3．1 數據結構 / 38
3．1．1 數組與鏈表 / 38
3．1．2 隊列和棧 / 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 貪婪算法和動態規劃 / 57
3．2．4 搜索 / 60
3．2．5 *短路徑 / 61
3．2．6 *小生成樹 / 65
3．2．7 樹狀數組 / 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 在線評測系統 / 80
3．3．1 LeetCode / 81
3．3．2 POJ與ZOJ / 82
3．3．3 Tsinsen / 82
3．4 動腦時刻 / 83
3．5 本章小結 / 83
關鍵詞回顧 / 84
第4章 算法之武功秘籍 / 85
4．1 類別劃分 / 86
4．1．1 按是否有監督信號劃分 / 86
4．1．2 按學習目標劃分 / 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 人工神經網絡 / 95
4．3．1 初識人工神經網絡 / 95
4．3．2 深度神經網絡 / 97
4．3．3 卷積神經網絡 / 99
4．3．4 遞歸神經網絡 / 102
4．3．5 圖神經網絡 / 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 / 121
4．6．2 樸素貝葉斯分類 / 124
4．7 支持向量機 / 125
4．8 動腦時刻 / 128
4．9 本章小結 / 129
關鍵詞回顧 / 129
第5章 算法工程的組成部分 / 133
5．1 數據分析 / 134
5．1．1 宏觀把握數據 / 134
5．1．2 微觀感受數據 / 137
5．1．3 分析方法 / 139
5．2 特征工程 / 141
5．2．1 數據預處理 / 141
5．2．2 特征分類 / 142
5．2．3 工程技巧 / 142
5．3 建模與調參 / 149
5．3．1 建模 / 150
5．3．2 調參 / 150
5．4 效果評估 / 151
5．4．1 數據集劃分 / 151
5．4．2 評估指標 / 152
5．4．3 直觀理解AUC / 155
5．5 模型托管 / 159
5．6 動腦時刻 / 160
5．7 本章小結 / 160
關鍵詞回顧 / 161
第6章 算法工程實戰 / 163
6．1 環境準備 / 164
6．1．1 設備配置 / 164
6．1．2 環境搭建 / 165
6．1．3 開發工具 / 167
6．1．4 基礎調試 / 168
6．2 開源算法庫 / 170
6．2．1 scikit-learn / 171
6．2．2 TensorFlow / 172
6．3 算法實踐 / 174
6．3．1 線性回歸模型 / 174
6．3．2 神經網絡模型 / 179
6．4 工程實戰 / 182
6．4．1 數據準備 / 182
6．4．2 數據分析 / 184
6．4．3 特征工程 / 188
6．4．4 模型訓練 / 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 動腦時刻 / 192
6．7 本章小結 / 192
關鍵詞回顧 / 193
第7章 進階學習 / 195
7．1 深度學習 / 196
7．1．1 起源 / 196
7．1．2 難點與方法 / 197
7．1．3 經典模型：AlexNet / 201
7．2 強化學習 / 203
7．2．1 起源 / 203
7．2．2 流派與分類 / 204
7．2．3 經典案例：AlphaGo / 206
7．3 遷移學習 / 213
7．3．1 簡介 / 213
7．3．2 方法與研究方向 / 214
7．3．3 經典模型：TrAdaBoost / 215
7．4 動腦時刻 / 216
7．5 本章小結 / 217
關鍵詞回顧 / 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 萬物數據化 / 221
8．2 展望 / 224
8．2．1 人工智能*終能做什么 / 224
8．2．2 人類*終能做什么 / 224
8．3 本章小結 / 225
展開全部
深入淺出AI算法:基礎概覽 節選
在《三國演義》中，諸葛亮在調兵遣將時經常說：關羽聽令，給你三千精兵，從左路包抄曹軍；張飛聽令，給你五千精兵，從右路包抄曹軍。由此可知，諸葛亮在用兵打仗之前，必然已經掌握了己方有多少將領、精兵、殘兵、糧草、戰場地勢等情報。再如成語“量體裁衣”，是說按照身材尺寸裁剪出合適的衣服，用于比喻做事要從實際出發，因地制宜。算法工程也是同樣的道理。在算法工程中，能做到知己知彼、“量體裁衣”的關鍵步驟，非數據分析莫屬。 無論是數據挖掘、機器學習相關的算法比賽，還是工業界的推薦、排序等場景中的算法應用，如果沒有足夠的數據分析結論作為支撐，那么能夠取得的結果通常都不甚理想。為什么數據分析對機器學習算法結果的影響如此之深？有哪些實用的數據分析方法，這些方法在算法工程中又是如何起作用的呢？ 5.1.1 宏觀把握數據 拿到數據，切勿著急生搬硬套模型，先統計各類指標或特征的數量，把握數據大局。這個數量包括但不限于樣本數據集的總數量、不同類別樣本的數量、各類特征或指標的數量、缺失值的數量及特征值的分布等。宏觀把握數據是數據分析的基礎，也是容易被忽視的一點，它能幫助我們避免一些基本問題。例如，在后續工作開展之前，先搞清楚所定算法目標是否合理，可以幫助我們少走彎路、不走死路，從而提高算法工程的實施效率。 舉個例子，在不考慮分布式訓練的情況下，如果需要知道算法模型從訓練任務啟動到完成需要花費多長時間，則可以用訓練樣本的總數量除以batch size①，再乘每批次訓練花費的時間，就能估算出一個epoch①花費的總時間，*后乘epoch的數量，即可得出算法模型的總體訓練時間。如果在訓練之前沒有統計樣本的總數量，那么模型訓練何時結束，就只能對著屏幕默默等待了。 一份擁有512條數據、特征維度為1000的數據集，假設batch size為128，一個epoch包含4個batch，epoch和batch之間的關系如圖5-1所示。 除此之外，如果發現驗證集或測試集中正、負例樣本的一方過少，如只有1個正例樣本的極端情況，則可以提前終止無意義的訓練過程，因為針對極端比例下的類別樣本數據集，無論是模型訓練，還是模型評估，都會完全失效。事先統計各類別樣本的數量，能提前發現樣本不均衡的問題，尤其在類別樣本比例差別較大時，一方面能幫助劃分訓練集、驗證集和測試集的大小，另一方面可以對樣本進行重采樣或降低采樣比例。樣本不均衡問題會在5.2.3節的特征工程技巧中進一步講解。 在一個動物分類數據集中，針對不同動物類別的數量統計結果如圖5-2所示。 對于數據字段的缺失問題（為空值或非法值），事先統計有助于掌握特征字段、標簽字段等關鍵字段的缺失程度。如果缺失字段占比較低（通常1%以下可以忽略不計），那么可以直接丟棄；如果缺失字段占比較高，那么可能是源頭數據出問題了，可以檢查源頭數據的收集過程是否存在問題，避免在訓練過程中再出現問題，從而提高算法工程的整體效率。 總之，在動手開始搭建算法模型前，對樣本數據集先有一個宏觀把控，可以幫助我們對算法目標有一個更清晰、具體的認識，從而做到少走彎路、有的放矢。 5.1.2 微觀感受數據 作為一門復雜學問，在機器學習算法工程中，無論采用什么模型，都不可能得到百分之百精確的結果。訓練再好的回歸模型，也不可能將預測值與真實值之間的預測誤差降為0；即使分類效果再好的分類模型，也不可能保證每次的分類結果一定是正確的。在機器學習算法工程中，我們的工作是盡可能地逼近目標和真相。除了繼續調參①優化模型，在數據層面，一方面，可以通過宏觀把握數據提前發現問題；另一方面，可以微觀感受數據，抽樣觀察單個樣本數據的行為表現并思考其合理性，對算法工程的開展也大有幫助。例如，在包含用戶行為序列的場景中，抽樣觀察具體的用戶行為序列，設身處地地理解和感受用戶行為特征，對用戶行為序列的建模大有裨益。 以電商場景為例，要真正理解用戶數據，就必須對用戶數據進行充分的觀察。總體而言，抽樣觀察用戶數據的方式主要有以下兩種。 **，抽樣觀察用戶個體維度的行為數據，換位思考，設身處地觀察具體的用戶行為序列，可以幫助我們更好地理解業務。行為數據是指用戶在時間維度上的連續動作，如頁面曝光、鍵盤輸入、頁面點擊、鼠標滑動、觸屏等行為。圖5-3所示為一段完整的用戶網上購物行為序列。筆者自從事電商行業相關算法工作以來，多次發現靠直覺得來的關于用戶行為的觀點，與用戶的實際行為表現并不相符。例如，直覺上認為用戶應該先單擊商品A，然后單擊商品B，由于運營規則、前端規則或用戶偏見等原因，用戶的實際行為表現可能會恰恰相反。 第二，抽樣觀察用戶個體維度的統計指標，可以幫助我們更好地進行業務建模。并不是所有業務場景都適合使用復雜模型，有時基于規則的方法在某些業務場景中更容易出效果。筆者曾經跟進過一個保險返利①項目，項目目標是挖掘參與保險購買活動的作弊用戶，從而減少因不正當手段獲取返利帶來的損失，凈化拉新②指標。在項目前期，我們直接使用人工標記的作弊訂單作為樣本標簽，基于邏輯回歸訓練了一個作弊分類器。但是，該作弊分類器在真實數據集上的分類效果很差。后來，我們根據對保險業務的重新理解，統計相關總體指標，提煉出幾條滿足非正常用戶的規則，并且通過規則篩選出了一批作弊訂單，然后在驗證階段通過電話逐一回訪，發現大部分用戶填寫的手機號是無法撥通的空號，因此確認這些訂單均為作弊訂單。在這個反作弊場景中，基于規則的算法不僅簡單易實現，作弊訂單命中率非常高，而且具備極強的模型可解釋性，只需根據當前作弊訂單所命中的作弊規則，給出相應的規則描述。這便是微觀感受數據帶來的價值。 ① 在算法模型訓練過程中，嘗試選擇不同的模型參數，從而達到*優預測結果，詳見5.3.2節。 ① 在體驗指定保險產品后返還紅包或實物獎品。 ② 營銷活動用詞，是指拉動與發展新用戶。 ① 每一批次同時輸入算法模型中訓練的樣本量。 ① 模型訓練的迭代單位，通常一個epoch表示遍歷一遍數據集中的所有樣本。
深入淺出AI算法:基礎概覽 作者簡介
呂 磊 微軟（中國）軟件工程師。本碩畢業于山東大學計算機科學與技術系，具有多年算法從業經驗，曾先后在京東廣告部、螞蟻金服人工智能部、亞馬遜AWS（中國）的AI產品相關部門從事算法工作，在工業界有著豐富的AI算法落地經驗。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
姑媽的寶刀
- >
唐代進士錄
- >
詩經-先民的歌唱
- >
莉莉和章魚
- >
朝聞道
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
